一种基于集成深度学习模型与可解释人工智能的肾病诊断新方法
机器学习
2024-12-13 v1
摘要
慢性肾病（CKD）代表着全球公共卫生的重大挑战，特征为肾功能的逐渐衰退，导致体内代谢废物的积累以及体液平衡的紊乱。鉴于其对公共卫生的广泛影响，迫切需要有效的诊断工具以实现及时干预。我们的研究深入探讨了先进迁移学习模型用于早期 CKD 检测的应用。我们利用一个全面且公开可用的数据集，细致评估了若干前沿模型的性能，包括 EfficientNetV2、InceptionNetV2、MobileNetV2 和视觉转换器（ViT）技术。 remarkably，我们的分析显示，MobileNetV2 和 ViT 分别实现了超过 90% 的准确率，并以 91.5% 的准确率实现了 ViT。此外，为了进一步提升预测能力，我们通过集成建模整合了这些 individual 方法，结果表明我们的集成模型在 CKD 早期诊断中实现了惊人的 96% 的准确率。这一重大进步为改善临床结果提供了巨大希望，凸显了机器学习在解决复杂医疗挑战方面的关键作用。
引用
@article{arxiv.2412.09472,
title = {A Novel Ensemble-Based Deep Learning Model with Explainable AI for Accurate Kidney Disease Diagnosis},
author = {Md. Arifuzzaman and Iftekhar Ahmed and Md. Jalal Uddin Chowdhury and Shadman Sakib and Mohammad Shoaib Rahman and Md. Ebrahim Hossain and Shakib Absar},
journal= {arXiv preprint arXiv:2412.09472},
year = {2024}
}