孟加拉国早期登革热预测:通过特征分析,可解释的人工智能和模型优化进行比较研究
Md Atik Bhuiyan1, Md Rashik Shahriar Akash1, Radiful Islam1
1Department of Computer Science and Engineering, Daffodil International University, Dhaka, Bangladesh, daffodilvarsity.edu.bd.
Journal of tropical medicine
|December 16, 2025
概括
一个定制的人工神经网络 (ANN) 使用患者症状预测登革热的准确率达到了97.5%,超过了其他12种模型. 这突显了机器学习在早期登革热检测方面的潜力.
科学领域:
- 机器学习 机器学习
- 公共卫生 公共卫生
- 流行病学 流行病学
背景情况:
- 登革热在热带和亚热带地区是一个重大的公共卫生问题.
- 早期发现登革热对于有效管理和控制至关重要.
研究的目的:
- 为了比较13个机器学习和深度学习模型在非临床,基于症状的登革热预测方面的有效性.
- 确定孟加拉国人口中登革热预测最准确的模型.
主要方法:
- 使用了500个患者记录的数据集,其中包括22个基于症状的特征.
- 评估了各种分类器,包括基于树,线性和基于实例的模型.
- 一个定制的人工神经网络 (ANN) 被开发和超参数调整.
主要成果:
- 超参数调节的ANN实现了最高的精度97.5%.
- 随机森林模型表现出强的性能,准确率为93.2%.
- 沙普利添加式扩展 (SHAP) 确定了关键预测因素,如眼后疼痛,眼胀和年龄.
结论:
- 一个调整良好的ANN对于基于症状的登革热预测是优越的.
- 广泛的模型比较和可解释性对于开发可靠的诊断工具至关重要.
- 机器学习为早期登革热检测和公共卫生干预提供了一个有希望的方法.
