桥梁整合绩效和透明度:KNHANES数据集上的肥胖分类知识提炼

科学领域:

• 机器学习 机器学习
• 公共卫生 公共卫生
• 生物统计学 生物统计学

背景情况:

• 肥胖是一个重要的全球健康问题,需要准确的预测模型.
• 可解释模型对于肥胖管理中的临床应用至关重要.
• 现有的模型往往缺乏透明度,阻碍了临床的信任和应用.

研究的目的:

• 为了评估机器学习模型的身体质量指数 (BMI) 预测和肥胖症分类.
• 开发一个可解释的模型来识别与肥胖相关的关键因素.
• 通过透明的人工智能增强肥胖管理中的临床决策.

主要方法:

• 利用了韩国国家健康和营养检查调查 (KNHANES) 数据.
• 对比了各种用于BMI回归和二进制分类的机器学习模型.
• 使用知识蒸:XGBRegressor (教师) 训练了一个DecisionTreeRegressor (学生).

主要成果:

• 在二进制分类 (AUC) 中,XGBRegressor显示出高性能.
• 知识蒸显著提高了学生的决策树的表现.
• 蒸模型提供了可解释的,基于规则的预测,将胰岛素耐药性 (HOMA-IR) 确定为关键因素.

结论:

• 一个蒸的决策树模型为肥胖提供了预测准确性和可解释性的平衡.
• 这种方法有助于临床医生识别关键的肥胖风险因素,如胰岛素抵抗.
• 增强模型透明度支持针对肥胖管理的有针对性的干预措施.