پیش بینی دیابت با مدل های یادگیری ماشین و هوش مصنوعی توضیح پذیر (SHAP و LIME)

تشخیص زودهنگام دیابت برای پیشگیری از عوارض جدی و بهبود مراقبت های بالینی اهمیت زیادی دارد. مدل های یادگیری ماشین توان پیش بینی بالایی دارند اما پیچیدگی آنها باعث کاهش توضیح پذیری و محدودیت در کاربرد بالینی می شود. در این مطالعه مدل های XGBoost، SVM، Logistic Regression و Random Forest روی مجموعه داده دیابت PIMA ارزیابی شدند. برای مدیریت عدم تعادل، کلاس SMOTE تنها روی داده های آموزش اعمال شد. Random Forest بهترین عملکرد را با ۰.۸۴ = AUC روی مجموعه تست نشان داد. تکنیک های هوش مصنوعی توضیح پذیر (XAI) شامل SHAP و LIME برای ارائه تفسیر کلی و محلی مدل به کار رفتند و ویژگی های کلیدی پیش بینی کننده شناسایی شدند. تحلیل ها نشان دادند که ویژگی هایی مانند سطح گلوکز، شاخص توده بدنی، سن و سابقه خانوادگی دیابت بیشترین تاثیر را بر پیش بینی دارند. نتایج نشان می دهد استفاده از مدل های تفسیرپذیر می تواند بینش مفیدی برای تصمیم گیری بالینی فراهم کند و امکان شناسایی بیماران در معرض خطر بالاتر را بهبود دهد.

کلیدواژه ها:

پیش بینی ، دیابت ، LIME ، SHAP ، Random Forest ، یادگیری ماشین ، هوش مصنوعی توضیح پذیر