使用基于LSTM-LIME的可解释深度学习框架进行肥胖预测,并集成可视化
Norah S Alsulami1,2, Muhammad Sher Ramzan3, Bander A Alzahrani3
1Department of Information Systems, Faculty of Computer Science and Information Technology, King Abdulaziz University, Jeddah, Saudi Arabia. nalsulami0391@stu.kau.edu.sa.
Scientific reports
|December 21, 2025
概括
这项研究使用沙特数据开发了一个可解释的深度学习模型来预测肥胖. 双向长期短期记忆 (Bi-LSTM) 模型实现了96%的准确性,为肥胖风险因素提供了可解释的见解.
科学领域:
- 医疗信息学 医疗信息学
- 人工智能在医学中的应用
- 公共卫生 公共卫生
背景情况:
- 肥胖是一个重大的全球健康挑战,需要先进的风险评估工具.
- 准确和可解释的模型对于有效的早期发现和预防肥胖至关重要.
- 现有的模型往往缺乏文化特异性和因素识别中的透明度.
研究的目的:
- 引入一种新的可解释的深度学习框架,用于多类肥胖预测.
- 开发和评估模型,使用独特的沙特特定数据集,整合各种健康因素.
- 通过可解释的人工智能提高肥胖风险评估的透明度.
主要方法:
- 评估六种深度学习模型:LSTM,Bi-LSTM,RNN,DNN (MLP),TabNet和自动编码器.
- 利用沙特特定的数据集,包括人体测量,生活方式和饮食数据.
- 综合局部可解释模型-不可知解释 (LIME) 与Bi-LSTM进行解释性.
主要成果:
- 双向LSTM (Bi-LSTM) 模型以96%的准确性,0.96的宏观回忆率和0.95的宏观F1得分表现出卓越的性能.
- 回归指标 (MAE,RMSE,R2) 用于模型校准和顺序错误分类评估.
- 开发的框架提供了准确的预测和肥胖风险因素的透明可视化.
结论:
- 双LSTM模型为沙特人口的多类肥胖预测提供了一个高度准确和可解释的解决方案.
- 这项研究建立了第一个文化特定的沙特多类肥胖数据集,用于人工智能驱动的健康应用.
- 将可解释的人工智能与特定区域数据的整合推动了精确的公共卫生战略.
