改进慢性肾病检测效率：微调的CatBoost模型与Nature-Inspired算法结合的可解释人工智能
人工智能
2025-04-08 v1
摘要
慢性肾病（CKD）是全球范围内影响数百万人的主要健康问题，死亡率正在不断增加。及早检测可减缓疾病进展并改善患者预后。然而，传统诊断方法在资源受限的环境中存在局限。本研究提出了一种先进的机器学习方法，以评估四种模型：随机森林（RF）、多层感知机（MLP）、逻辑回归（LR）和经微调的CatBoost算法。具体而言，在这些模型中，经微调的CatBoost模型显示出最佳的整体性能，准确率为98.75%，AUC为0.9993，Kappa系数为97.35%。该CatBoost模型采用类似模拟退火的数学启发算法选择最重要的特征，利用蜂群搜索调整异常值，并采用网格搜索微调其设置，以实现 improved 的预测准确率。通过SHAP——一种著名的可解释AI技术——揭示了特征重要性，为 proposed 模型的决策过程提供透明度，并增强诊断系统的可信度。使用SHAP，我们确定了特定重力、血清肌酐、白蛋白、血红蛋白和糖尿病为显著的临床特征。本研究展示了先进机器学习技术在CKD检测中的潜力，特别是在低收入和中收入地区的医疗环境中，及时和正确的诊断至关重要。本研究旨在提供一种高精度、可解释且高效的诊断工具，以纳入早期干预和改善所有CKD患者医疗结果的努力。
引用
@article{arxiv.2504.04262,
title = {Improving Chronic Kidney Disease Detection Efficiency: Fine Tuned CatBoost and Nature-Inspired Algorithms with Explainable AI},
author = {Md. Ehsanul Haque and S. M. Jahidul Islam and Jeba Maliha and Md. Shakhauat Hossan Sumon and Rumana Sharmin and Sakib Rokoni},
journal= {arXiv preprint arXiv:2504.04262},
year = {2025}
}
备注
8 page, 8 figures , conference : 14th IEEE International Conference on Communication Systems and Network Technologies (CSNT2025)