Explainable AI for Chronic Kidney Disease Prediction Using Simulated Federated Learning

Technische Samenvatting: Verklaarbare AI voor de Voorspelling van Chronische Nierziekte met behulp van Gesimuleerd Federated Learning

Probleemstelling
Chronische nierziekte (CKD) vormt een aanzienlijke uitdaging voor de volksgezondheid, gekenmerkt door het geleidelijke verlies van de nierfunctie. Vroege detectie is cruciaal voor het voorkomen van ernstige complicaties en het verbeteren van de patiëntuitkomsten. Het ontwikkelen van betrouwbare voorspellingsmodellen vereist echter vaak het aggregeren van gevoelige patiëntgegevens uit meerdere zorginstellingen, wat substantiële privacyzorgen oproept. Traditionele gecentraliseerde machine learning-benaderingen vereisen het delen van ruwe gegevens met derden, wat barrières creëert voor samenwerking en gegevensbeveiliging. Bovits, hoewel er modellen met een hoge nauwkeurigheid bestaan, belemmert het "black box"-karakter van veel geavanceerde algoritmen het vertrouwen en de adoptie in klinische omgevingen waar transparantie essentieel is.

Methodologie
Deze studie stelt een raamwerk voor dat Federated Learning (FL) integreert met ensemble machine learning-methoden en Explainable AI (XAI) om CKD te voorspellen terwijl de privacy van gegevens wordt gewaarborgd. De methodologie verloopt via de volgende fasen:

1. Dataset en Preprocessing: Het onderzoek maakte gebruik van een klinische dataset van 400 patiëntendossiers met 14 medische voorspeller-variabelen (bijv. bloeddruk, hemoglobine, serumcreatinine) en een binaire klasse-label. Om de klassenonbalans (62,5% CKD versus 37,5% niet-CKD) aan te pakken, werd de Synthetic Minority Over-sampling Technique (SMOTE) toegepast, waardoor de dataset werd uitgebreid naar 500 samples.
2. Federated Learning Architectuur: De studie simuleerde een federated omgeving met drie afzonderlijke cliënten. De dataset werd in drie subsets verdeeld met behulp van stratified splitting om de klassenverdeling te behouden.
   • Lokale Training: Elke cliënt trainde lokale modellen met drie ensemble-algoritmen: Random Forest (RF), AdaBoost en XGBoost.
   • Optimalisatie: GridSearchCV werd aan de cliëntzijde ingezet om hyperparameter-tuning te automatiseren en overfitting te voorkomen.
   • Modelselectie: Voor elke cliënt werd het algoritme dat de hoogste nauwkeurigheid op de lokale testset behaalde, geselecteerd als het optimale lokale model.
3. Globale Aggregatie: Een centrale server aggregeerde de geselecteerde lokale modellen met behulp van een gewogen VotingClassifier. De gewichten die aan elk model werden toegekend, waren evenredig aan hun respectieve lokale testnauwkeurigheid, waardoor modellen met een hogere prestatie een grotere invloed uitoefenden op de globale voorspelling.
4. Verklaarbaarheid: Om de transparantie te vergroten, werden Local Interpretable Model-agnostic Explanations (LIME) toegepast om de voorspellingen van het globale model te interpreteren, waarbij de bijdragen van kenmerken voor individuele instanties werden geïdentificeerd.
5. Evaluatie: Het systeem werd geëvalueerd met behulp van Accuracy, Recall, Precision en F1-Score, naast 5-voudige cross-validatie om generalisatie te beoordelen.

Belangrijkste Bijdragen

• Privacy-bewarende Ensemble Learning: De studie demonstreert een gesimuleerd FL-raamwerk waarbij RF, AdaBoost en XGBoost worden gecombineerd zonder het delen van ruwe patiëntgegevens, wat aan de privacybeperkingen in de gezondheidszorg voldoet.
• Hybride Modeloptimalisatie: Door GridSearchCV te gebruiken voor lokale parameteroptimalisatie en een gewogen VotingClassifier voor globale aggregatie, benut de benadering de sterke punten van meerdere ensemble-methoden.
• Integratie van XAI: De integratie van LIME biedt interpreteerbaarheid, waardoor belanghebbenden de rationale achter CKD-voorspellingen kunnen begrijpen, waarbij specifificamente de bijdrage van kenmerken zoals hemoglobine- en suikerspiegels wordt benadrukt.

Resultaten

• Lokale Prestaties: In de gesimuleerde cliënten behaalde Random Forest 100% nauwkeurigheid over alle metrieken voor Cliënt 1. Voor Cliënten 2 en 3 behaalden de best presterende modellen (respectievelijk AdaBoost en XGBoost) ongeveer 97% nauwkeurigheid, 100% recall, 94% precisie en 97% F1-scores.
• Globale Modelprestaties: Het geaggregeerde globale model bereikte een gemiddelde nauwkeurigheid van 99%. Specifiek voor Klasse 0 (niet-CKD) behaalde het model 98% precisie en 100% recall. Voor Klasse 1 (CKD) behaalde het 100% precisie en 98% recall. De F1-score voor beide klassen was 99%.
• Cross-Validatie: 5-voudige cross-validatie bevestigde de robuustheid van het model, met nauwkeurigheidsscores variërend van 96% tot 100% over de folds, waarbij Folds 3 en 5 100% bereikten.
• Kenmerkbelang (Feature Importance): LIME-analyse toonde aan dat hemoglobinegehaltes (specifiek het interval 11,30 < Hemo ≤ 13,23) en hypertensiestatus significante bijdragers waren aan het besluitvormingsproces van het model.

Betekenis en Claims
Het artikel claimt dat het voorgestelde raamwerk er succesvol in slaagt om een hoge voorspellende prestatie te balanceren met gegevensprivacy en modelinterpreteerbaarheid. Door 99% nauwkeurigheid te bereiken, benadrukt de studie het potentieel van interpreteerbare Federated Learning-modellen om vroege CKD-diagnose te ondersteunen zonder de vertrouwelijkheid van patiënten in gevaar te brengen. De auteurs stellen dat deze benadering datagedreven gezondheidszorgoplossingen vooruit helpt helpen door een betrouwbaar, transparant en privacy-bewarend alternatief te bieden voor gecentraliseerde gegevensverzameling. De studie concludeert dat dergelijke modellen de afhankelijkheid van uitgebreide klinische testen voor vroege detectie kunnen verminderen, hoewel zij opmerkt dat toekomstig werk vereist is om deze bevindingen op grotere, meer diverse datasets te valideren om een bredere klinische toepasbaarheid te garanderen.