Гібридна байєсівська-нейромережева архітектура для передбачення ризику діабету

Abstract

У цьому дослідженні розглядається актуальна проблема створення інтерпретованих моделей із високою точністю передбачення ризиків у сфері охорони здоров`я. Основну увагу приділено задачі ранньої діагностики цукрового діабету. Для вирішення цієї задачі критично важливим є надійність та прозорість моделі, так як на основі її роботи будуть прийматися клінічні рішення. Наявні підходи часто пов`язані із складними “чорними скриньками”, які демонструють високу точність або з простими лінійними моделями, результати яких легко пояснити, але їхні передбачення поступаються в якості. Для подолання цього компромісу в цій роботі запропоновано та реалізовано інноваційну гібридну архітектуру, що складається з двох послідовних етапів. Перший етап використовує байєсівську логістичну регресію з розріджувальними апріорними розподілами типу “Regularized Horseshoe”. За допомогою цього було отримано надійну та добре відкалібровану базову оцінку ймовірності та виконано автоматичний відбір найбільш значимих факторів ризику, таким чином підвищуючи інтерпретованість моделі. Під час другого етапу вихідні дані базової моделі інтегруються як нова, потужна ознака до багатошарового персептрона (MLP), який виконує роль нелінійного коректора, уточнюючи передбачення шляхом моделювання складних залежностей, пропущених лінійною моделлю. Результати дослідження та їх ефективність було протестовано на відкритому наборі даних ‘Behavioral Risk Factor Surveillance System (BRFSS)`. Експерименти продемонстрували, що гібридна модель стабільно перевершує базову за ключовими метриками класифікації, зокрема AUROC (Area Under the ROC Curve) та AUPRC (Area Under the Precision-Recall Curve). Було продемонстровано, що, попри додавання нейромережевого компонента, модель зберігає високу якість калібрування, що підтверджує достовірність її передбачуваних ймовірностей. Таким чином, дослідження доводить практичну цінність гібридизації для створення збалансованих та надійних діагностичних систем. Продемонстрована ефективність гібридної архітектури відкриває перспективи її застосування для широкого кола задач медичного передбачення. Це підкреслює універсальність підходу та його потенціал для подальшого розвитку.