Explainable Ensemble-Based Machine Learning Models for Detecting the Presence of Cirrhosis in Hepatitis C Patients

Sintesi Tecnica: Modelli di Apprendimento Automatico basati su Ensemble Spiegabili per la Rilevazione della Cirrosi in Pazienti con Epatite C

Problematica
L'infezione da virus dell'epatite C (HCV) è una crisi di salute pubblica globale, particolarmente in Egitto, dove i tassi di prevalenza sono tra i più alti al mondo. Una complicazione critica dell'HCV cronica è la cirrosi epatica, una condizione caratterizzata da una cicatrizzazione permanente che spesso progredisce silenziosamente fino agli stadi avanzati, portando a insufficienza epatica, emorragia gastrointestinale e un aumento della mortalità. Sebbene gli antivirali ad azione diretta (DAA) possano curare l'HCV, molti pazienti soffrono già di infezione cronica e delle complicazioni associate. Gli attuali metodi diagnostici per la cirrosi, come le biopsie epatiche, sono invasivi, costosi e rischiosi. Le alternative non invasive come l'elastografia transitoria o gli indici clinici (ad es., APRI, FIB-4) soffrono di limitazioni in termini di disponibilità, accuratezza e applicabilità in popolazioni di pazienti diversificate (ad es., pazienti con ascite o obesità). Sebbene l'apprendimento automatico (ML) abbia mostrato risultati promettenti nella diagnosi di varie malattie, esiste una lacuna significativa nella ricerca che applichi il ML specificamente per rilevare la presenza di cirrosi nei pazienti con HCV. Inoltre, la natura a "scatola nera" dei modelli ML complessi ostacola spesso il loro adozione da parte dei professionisti medici che richiedono processi decisionali spiegabili.

Metodologia
Questo studio ha utilizzato un dataset di 2.038 pazienti egiziani (derivato dal repository UCI Machine Learning) contenente 28 attributi. La variabile target è stata binarizzata per distinguere tra pazienti con cirrosi (classe positiva) e pazienti con stadi precoci di fibrosi o senza cirrosi (classe negativa).

La ricerca ha seguito una pipeline strutturata:

1. Pre-elaborazione: I dati sono stati sottoposti a rimozione degli outlier utilizzando il metodo dell'Interquartile Range (IQR) e normalizzazione tramite scaling Min-Max. Per affrontare lo sbilanciamento delle classi inerente al dataset (dove i casi di cirrosi erano meno numerosi), è stato applicato l'oversampling casuale.
2. Addestramento del Modello: Quattro algoritmi di apprendimento automatico basati su ensemble sono stati addestrati e confrontati:
   • Random Forest (RF)
   • Gradient Boosting Machine (GBM)
   • Extreme Gradient Boosting (XGBoost)
   • Extra Trees (ET)
3. Ottimizzazione: Gli iperparametri per ogni algoritmo sono stati ottimizzati utilizzando GridSearchCV con validazione incrociata stratificata a 10 pieghe (10-fold cross-validation).
4. Selezione delle Caratteristiche: È stata impiegata la Selezione Sequenziale delle Caratteristiche (SFS) per identificare il sottoinsieme più significativo di caratteristiche, con l'obiettivo di ridurre la dimensionalità e migliorare l'efficienza del modello.
5. Spiegabilità: Il modello con le migliori prestazioni è stato analizzato utilizzando tecniche di Intelligenza Artificiale Spiegabile (XAI), specificamente Shapley Additive Explanations (SHAP) e Local Interpretable Model-agnostic Explanations (LIME), per interpretare i contributi delle caratteristiche e costruire fiducia nelle decisioni del modello.

Contributi Chiave
Lo studio apporta quattro contributi primari al campo della scienza dei dati medici:

• Analisi Comparativa: Valuta le prestazioni di quattro distinti algoritmi di apprendimento ensemble specificamente per la diagnosi di cirrosi nei pazienti con HCV, un'applicazione specifica non precedentemente esplorata in profondità.
• Riduzione delle Caratteristiche: Applica la Selezione Sequenziale delle Caratteristiche (SFS) per minimizzare il numero di attributi necessari per una diagnosi accurata, dimostrando che è possibile ottenere prestazioni elevate con un set di caratteristiche ridotto.
• Integrazione della Spiegabilità: Utilizza tecniche XAI (SHAP e LIME) per demistificare il processo decisionale del modello, affrontando la barriera della fiducia spesso associata all'IA in ambito sanitario.
• Identificazione di Biomarcatori Chiave: Identifica gli attributi clinici più significativi per la diagnosi della cirrosi in questo specifico coorte, offrendo intuizioni sui marcatori fisiologici più predittivi dello stato della malattia.

Risultati
Lo studio ha rilevato che il bilanciamento dei dati tramite oversampling casuale è stato critico; senza di esso, i modelli di boosting (GBM e XGBoost) non riuscivano a prevedere i casi positivi (0% di recall). Dopo l'oversampling e l'ottimizzazione degli iperparametri, tutti i modelli hanno mostrato un miglioramento significativo.

Dopo la Selezione Sequenziale delle Caratteristiche (SFS):

• Extra Trees (ET) è emerso come il modello superiore. Ha raggiunto l'accuratezza più alta del 96,92%, una precisione del 99,81%, un recall del 94,00% e un AUC-ROC del 96%. Notevolmente, il modello ET ha ottenuto queste prestazioni utilizzando solo 16 delle 28 caratteristiche originali.
• Random Forest (RF) è seguita da vicino con un'accuratezza del 96,58%.
• XGBoost ha ottenuto il recall più alto (94,81%) ma un'accuratezza complessiva inferiore (90,99%) e una precisione (88,00%) inferiore.
• GBM ha raggiunto un'accuratezza del 95,70%.

Le matrici di confusione hanno indicato che, sebbene XGBoost avesse il minor numero di Falsi Negativi (FN), il modello ET aveva il minor numero di Falsi Positivi (FP), il che è fondamentale per evitare interventi medici non necessari e l'ansia del paziente.

Risultati della Spiegabilità

• Analisi SHAP: Ha identificato RNA 4, BMI, RNA 12 e AST 1 come le caratteristiche più importanti che contribuiscono alle previsioni. Valori elevati in BMI e AST 1 hanno mostrato contributi positivi alla previsione della cirrosi, mentre valori elevati di RNA 4 hanno mostrato contributi negativi.
• Analisi LIME: Per le singole previsioni positive, caratteristiche come BMI, RNA Base, ALT 48, RNA 4 e ALT 36 sono state evidenziate come driver chiave.

Significato e Rivendicazioni
Gli autori sostengono che questo studio dimostra la fattibilità dell'uso dell'apprendimento ensemble spiegabile per assistere i medici specialisti nella diagnosi precoce della cirrosi nei pazienti con HCV. Raggiungendo un'elevata accuratezza con un set ridotto di caratteristiche, il modello proposto potrebbe potenzialmente ridurre la necessità di test clinici estesi, ottimizzando così il tempo per professionisti e pazienti e contribuendo al risparmio dei costi. L'integrazione della XAI assicura che gli output del modello siano interpretabili, favorendo la fiducia tra i fornitori di assistenza sanitaria.

Tuttavia, il documento mantiene una posizione modesta riguardo alle sue implicazioni più ampie. Gli autori riconoscono che il modello è stato addestrato su dati sintetici generati tramite oversampling piuttosto che su un dataset più ampio e reale di pazienti con cirrosi. Di conseguenza, suggeriscono che la ricerca futura dovrebbe concentrarsi sulla validazione del modello con dati reali e sull'espansione dell'ambito per prevedere altre fasi della progressione dell'HCV, al fine di creare uno strumento diagnostico più generalizzato.