可解释的机器学习模型用于贝塔血病预测:智能医疗保健的可解释AI方法5.0

科学领域:

• 医疗信息学 医疗信息学
• 计算生物学 计算生物学
• 机器学习 机器学习

背景情况:

• 贝塔 Thalassemia 是一种遗传性血液疾病,影响血红蛋白和红细胞的生产.
• 准确的诊断对于管理这种情况至关重要,需要先进的诊断工具.

研究的目的:

• 开发一个可解释的专家系统来预测Beta血病.
• 通过可解释AI (XAI) 技术来增强临床实用性.

主要方法:

• 应用主要组件分析 (PCA) 和合成少数过量采样技术 (SMOTE) 用于在5066名Beta Thalassemia Carrier (BTC) 患者的数据集上进行维度缩小和类平衡.
• 利用了机器学习分类器,包括神经网络,循环神经网络和长短期记忆 (LSTM).
• 综合的夏普利添加式解释 (SHAP) 和局部可解释的模型不可知解释 (LIME) 为模型的可解释性.

主要成果:

• 实现了高性能指标,包括99.30%的准确性,99.33%的精度,99.33%的回忆,99.33%的特异性和99.33%的F1得分.
• SHAP提供了全球特征重要性,而LIME则为个别预测提供了本地解释.

结论:

• 开发的专家系统证明了Beta Thalassemia的高预测准确性.
• 整合XAI技术 (SHAP和LIME) 提高了模型的透明度和可解释性,促进了临床采用.