Explainable AI for Chronic Kidney Disease Prediction Using Simulated Federated Learning

Sintesi Tecnica: IA Spiegabile per la Predizione della Malattia Renale Cronica mediante Apprendimento Federato Simulato

Problematica
La malattia renale cronica (CKD) rappresenta una sfida significativa per la salute pubblica, caratterizzata dalla perdita graduale della funzione renale. La diagnosi precoce è fondamentale per prevenire complicazioni gravi e migliorare gli esiti clinici dei pazienti. Tuttavia, lo sviluppo di modelli predittivi affidabili richiede spesso l'aggregazione di dati sensibili dei pazienti provenienti da molteplici istituzioni sanitarie, il che solleva sostanziali preoccupazioni relative alla privacy. Gli approoli tradizionali di apprendimento automatico centralizzato richiedono la condivisione di dati grezzi con terze parti, creando barriere alla collaborazione e alla sicurezza dei dati. Inoltre, sebbene esistano algoritmi avanzati ad alta precisione, la natura "black box" di molti di essi ostacola la fiducia e l'adozione in contesti clinici dove la trasparenza è fondamentale.

Metodologia
Questo studio propone un framework che integra l'Apprendimento Federato (FL) con metodi di apprendimento automatico ensemble e l'IA Spiegabile (XAI) per predire la CKD preservando la privacy dei dati. La metodologia si articola attraverso le seguenti fasi:

1. Dataset e Pre-elaborazione: La ricerca ha utilizzato un dataset clinico di 400 record di pazienti contenente 14 variabili predittive mediche (ad esempio, pressione sanguigna, emoglobina, creatinina sierica) e un'etichetta di classe binaria. Per affrontare lo sbilanciamento delle classi (62,5% CKD vs 37,5% non-CKD), è stata applicata la tecnica di sovracampionamento del caso minoritario sintetico (SMOTE), espandendo il dataset a 500 campioni.
2. Architettura di Apprendimento Federato: Lo studio ha simulato un ambiente federato con tre client distinti. Il dataset è stato suddiviso in tre sottoinsiemi tramite partizionamento stratificato per preservare la distribuzione delle classi.
   • Addestramento Locale: Ogni client ha addestrato modelli locali utilizzando tre algoritmi ensemble: Random Forest (RF), AdaBoost e XGBoost.
   • Ottimizzazione: È stato impiegato GridSearchCV sul lato client per automatizzare la regolazione degli iperparametri e prevenire l'overfitting.
   • Selezione del Modello: Per ogni client, l'algoritmo che ha prodotto l'accuratezza più elevata sul set di test locale è stato selezionato come modello locale ottimale.
3. Aggregazione Globale: Un server centrale ha aggregato i modelli locali selezionati utilizzando un VotingClassifier pesato. I pesi assegnati a ciascun modello sono proporzionali alle rispettive accuratezze dei test locali, garantendo che i modelli con prestazioni superiori esercitassero una maggiore influenza sulla predizione globale.
4. Spiegabilità: Per aumentare la trasparenza, sono state applicate le Local Interpretable Model-agnostic Explanations (LIME) per interpretare le predizioni del modello globale, identificando i contributi delle feature per le singole istanze.
5. Valutazione: Il sistema è stato valutato tramite Accuratezza, Recall, Precisione e F1-Score, insieme a una validazione incrociata a 5 fold per valutarne la generalizzazione.

Contributi Chiave

• Apprendimento Ensemble Preservante la Privacy: Lo studio dimostra un framework di FL simulato in cui RF, AdaBoost e XGBoost vengono combinati senza condividere i dati grezzi dei pazienti, affrontando i vincoli di privacy.
• Ottimizzazione del Modello Ibrido: Utilizzando GridSearchCV per l'ottimizzazione dei parametri locali e un VotingClassifier pesato per l'aggregazione globale, l'approccio sfrutta i punti di forza di molteplici metodi ensemble.
• Integrazione di XAI: L'integrazione di LIME fornisce interpretabilità, permettendo agli stakeholder di comprendere la logica dietro le predizioni della CKD, evidenziando specificamente il contributo di variabili come i livelli di emoglobina e di zucchero.

Risultati

• Performance Locali: Nei client simulati, Random Forest ha raggiunto il 100% di accuratezza in tutte le metriche per il Client 1. Per i Client 2 e 3, i migliori modelli (rispettivamente AdaBoost e XGBoost) hanno raggiunto circa il 97% di accuratezza, il 100% di recall, il 94% di precisione e il 97% di F1-score.
• Performance del Modello Globale: Il modello globale aggregato ha raggiunto un'accuratezza media del 99%. Nello specifico, per la Classe 0 (non-CKD), il modello ha ottenuto una precisione del 98% e una recall del 100%. Per la Classe 1 (CKD), ha ottenuto una precisione del 100% e una recall del 98%. L'F1-score per entrambe le classi è stato del 99%.
• Validazione Incrociata: La validazione incrociata a 5 fold ha confermato la robustezza del modello, con punteggi di accuratezza compresi tra il 96% e il 100% tra i vari fold, con i Fold 3 e 5 che hanno raggiunto il 100%.
• Importanza delle Feature: L'analisi LIME ha rivelato che i livelli di emoglobina (specificamente l'intervallo 11,30 < Hemo ≤ 13,23) e lo stato di ipertensione sono stati contributori significativi al processo decisionale del modello.

Significatività e Rivendicazioni
Il documento afferma che il framework proposto bilancia con successo un'elevata capacità predittiva con la privacy dei dati e l'interpretabilità del modello. Raggiungendo un'accuratezza del 99%, lo studio evidenzia il potenziale dei modelli di Apprendimento Federato interpretabili nel supportare la diagnosi precoce della CKD senza compromettere la riservatezza del paziente. Gli autori sostengono che questo approccio faccia progredire le soluzioni sanitarie basate sui dati, offrendo un'alternativa affidabile, trasparente e preservante la privacy rispetto alla raccolta centralizzata dei dati. Lo studio conclude che tali modelli possono ridurre la dipendenza da estesi test clinici per la rilevazione precoce, pur notando che sono necessari lavori futuri per validare questi risultati su dataset più ampi e diversificati per garantirne una più ampia applicabilità clinica.