一个新的可解释和实时登革热预测框架,使用临床血液参数与基因和基于GAN的优化
Md Ehsanul Haque1, Md Nurul Absur2, Fahmid Al Farid3
1Department of Computer Science and Engineering, East West University, Dhaka, Bangladesh.
Frontiers in artificial intelligence
|November 17, 2025
概括
本研究介绍了一种可解释的机器学习框架,用于实时预测登革热风险,将遗传算法 (GA) 和生成对抗网络 (GAN) 结合起来,以获得准确性和可解释AI (XAI) 以获得透明度. 该模型达到99.49%的准确性,识别了白细胞 (WBC) 和血小板计数等关键指标.
科学领域:
- 医疗信息学 医疗信息学
- 计算生物学 计算生物学
- 医疗保健中的机器学习
背景情况:
- 登革热对全球健康构成重大挑战,特别是在资源有限的地区,诊断测试往往延迟或不准确.
- 用于疾病预测的传统机器学习模型往往缺乏对实时临床决策的可解释性和可靠性.
研究的目的:
- 为实时登革热风险预测开发一种可解释,高效和新的机器学习框架.
- 通过先进的计算技术,提高登革热诊断的准确性和透明度.
主要方法:
- 使用遗传算法 (GA) 来识别预测性血液学标记的特征优化.
- 用生成对抗网络 (GAN) 来增强数据,以解决阶级不平衡问题.
- 整合可解释AI (XAI) 技术 (LIME,SHAP) 以实现模型可解释性.
主要成果:
- 一个优化的决策树模型以最小的计算成本 (培训:0.0025秒,测试:0.0013秒) 实现了99.49%的准确性.
- 一个基于网络的应用程序提供实时登革热风险预测与<0.6s延迟.
- XAI始终将低白细胞计数,血小板计数和血小板分布宽度 (PDW) 确定为登革热的关键指标.
结论:
- 集成的GA-GAN-XAI框架为实时登革热风险评估提供了一个高度准确,可解释和强大的解决方案.
- 这种方法克服了临床环境中传统测试和传统机器学习的局限性.
- 开发的模型是一个可部署的解决方案,用于改善登革热风险预测和临床决策.
