کاربرد مدل های یادگیری ماشین و شبکه عصبی MLP در پیش بینی بیماری های قلبی: از بهینه سازی با SMOTE تا تفسیر با SHAP و LIME

تشخیص زودهنگام بیماری های قلبی نقش حیاتی در کاهش مرگ ومیر و بهبود کیفیت زندگی بیماران دارد. با توجه به پیچیدگی فاکتورهای موثر بر بروز این بیماری، استفاده از روش های هوشمند می تواند در تحلیل داده های بالینی موثر باشد. در این پژوهش، با بهره گیری از مجموعه داده ی معتبر مرتبط با بیماری قلبی (قابل دسترسی از طریق پلتفرم Kaggle)، رویکردی مبتنی بر یادگیری ماشین و شبکه های عصبی جهت پیش بینی وضعیت بیماری ارائه شده است. پس از نرمال سازی ویژگی ها، به منظور مقابله با عدم تعادل کلاس ها، تکنیک SMOTE اعمال گردید. مدل های مختلفی شامل Logistic Regression، KNN، SVM، Decision Tree، Random Forest، XGBoost، LightGBM و شبکه عصبی MLP مورد بررسی و مقایسه قرار گرفتند. در ادامه، با استفاده از Voting Classifier وزن دار مبتنی بر امتیاز F۱، مدل نهایی ترکیبی ساخته شد. برای تفسیر عملکرد مدل ها، ابزارهای SHAP و LIME به کار گرفته شدند و تحلیل حساسیت برای بررسی تاثیر نسبی ویژگی ها بر خروجی مدل انجام گرفت. نتایج نشان داد که رویکرد ترکیبی همراه با تفسیرپذیری، نه تنها باعث بهبود عملکرد پیش بینی می گردد، بلکه امکان تحلیل دقیق تری از تصمیمات مدل در زمینه ی کاربردهای بالینی فراهم می آورد.

کلیدواژه ها:

بیماری های قلبی ، یادگیری ماشین ، شبکه عصبی MLP ، Voting Classifier ، تفسیر پذیری مدل