MO-AIWOA-XAI: A Multi-Objective Explainable Diabetes Risk Prediction integrating Feature Optimization and Cross-Dataset Validation

Diabetes is een aandoening waarbij het lichaam moeite heeft met het reguleren van suiker, wat leidt tot ernstige gezondheidsproblemen als het niet vroegtijdig wordt opgemerkt. Artsen vertrouwen al lang op bloedtesten en lichamelijk onderzoek om de waarschuwingssignalen te herkennen, maar deze methoden vereisen vaak een bezoek aan een kliniek en een laboratorium. In de afgelopen jaren hebben wetenschappers de computers ingezet om te helpen. Door medische dossiers in machine learning-programma's te voeren, kunnen onderzoekers computers leren om patronen te herkennen die erop wijzen dat iemand een risico loopt op het ontwikkelen van diabetes. Deze computerprogramma's werken echter vaak als zwarte dozen. Ze kunnen een correct antwoord geven, maar ze kunnen niet uitleggen waarom ze tot die conclusie zijn gekomen. Voor een arts om het advies van een computer te kunnen vertrouwen, moet hij de redenering achter de conclusie begrijpen. Hij moet weten welke specifieke factoren, zoals leeftijd of bloeddruk, de doorslag gaven. Bovendien zijn veel computermodellen getraind op slechts één type patiëntgegevens, waardoor het onduidelijk is of ze zouden werken voor een andere groep mensen.

Een team van onderzoekers heeft een nieuw systeem ontwikkeld dat ontworpen is om deze problemen op te lossen. Hun aanpak, die ze MO-AIWOA-XAI noemen, is gebouwd om drie dingen tegelijk te doen: de belangrijkste gezondheidsklanken vinden, het risico op diabetes voorspellen met een hoge nauwkeurigheid, en uitleggen hoe die voorspelling precies tot stand is gekomen. Het systeem begint door een grote lijst met patiëntgegevens te doorzoeken om de weinige zaken te vinden die er echt toe doen. Vervolgens gebruikt het een slim leerprogramma om zijn voorspelling te doen. Ten slotte genereert het een duidelijk rapport voor de arts, waarin niet alleen het risiconiveau wordt getoond, maar ook welke veranderingen een patiënt zou kunnen doorvoeren om dat risico te verlagen. De onderzoekers hebben dit systeem getest op twee zeer verschillende sets patiëntgegevens om te garanderen dat het betrouwbaar werkt.

De onderzoekers begonnen met het verzamelen van twee afzonderlijke collecties patiëntinformatie. De eerste set kwam van een groep vrouwen van de Pima Indian-afkomst en bevatte gedetailleerde fysiologische metingen zoals glucosewaarden, bloeddruk en de body mass index. De tweede set was anders; deze richtte zich op vroege waarschuwingssymptomen, zoals frequente dorst, plotseling gewichtsverlies en wazig zien, verzameld bij een gemengde populatie. Deze twee datasets vertegenwoordigden verschillende manieren waarop artsen de ziekte tegenkomen: de ene via laboratoriumresultaten en de andere via klachten van patiënten. Voordat de computer van deze gegevens kon leren, moesten de onderzoekers de gegevens opschonen. Ze vulden ontbrekende getallen aan, pasten verschillen in de manier waarop de gegevens werden geregistreerd aan, en brachten de groepen in evenwicht zodat de computer niet bevooroordeeld zou zijn naar een bepaalde uitkomst.

Om de beste voorspellers te vinden, gebruikte het team een methode geïnspireerd door het jachtgedrag van bultrugwalvissen. In de natuur werken deze walvissen samen om vis in een bubbelnet te vangen. Het computeralgoritme bootst dit na door een groep virtuele "walvissen" uit te sturen om verschillende combinaties van gezondheidsfactoren te verkennen. Elke walvis test een specifieke set kenmerken, zoals controleren of leeftijd en glucose samen betere voorspellers zijn dan leeftijd en bloeddruk. Het algoritme verbetert zich in de loop van de tijd en leert welke combinaties het beste werken. Cruciaal is dat dit systeem werd ontworpen om tegelijkertijd naar twee doelen te zoeken: het wilde de hoogst mogelijke nauwkeurigheid in het voorspellen van diabetes, maar het wilde ook zo min mogelijk kenmerken gebruiken. Dit is essentieel voor gebruik in de echte wereld, aangezien artsen de voorkeur geven aan eenvoudige, snelle controles boven complexe, dure testpanels.

Na het uitvoeren van dit optimalisatieproces identificeerde het systeem een kleine, krachtige groep van vier factoren die het meeste gewicht in de schaal legden: het aantal zwangerschappen dat een vrouw heeft gehad, haar glucosegehalte, haar bloeddruk en haar body mass index. Door zich alleen op deze vier factoren te concentreren, verminderde het systeem de hoeveelheid gegevens die het moest verwerken met ongeveer 60 procent, terwijl het nog steeds in staat was de ziekte te herkennen. De onderzoekers trainden vervolgens een definitief voorspellingsmodel met behulp van deze vier sleutelfactoren. Om ervoor te zorgen dat het model perfect was afgestemd, gebruikten ze een geautomatiseerd hulpmiddel dat duizenden verschillende instellingen testte om de instelling te vinden die het beste werkte.

De resultaten van dit nieuwe raamwerk waren indrukwekkend. Wanneer het werd getest op de Pima Indian-dataset, identificeerde het systeem diabetesgevallen in 83,76 procent van de gevallen correct. Op de tweede dataset, die gericht was op vroege symptomen, behaalde het een nog hogere nauwkeurigheid van 95,19 procent. Belangrijker nog, het systeem bewees dat het niet zomaar gokte; het was stabiel. Wanneer de onderzoekers het testten op verschillende segmenten van de data, bleven de resultaten consistent. Ze controleerden ook of de waarschijnlijkheden die de computer gaf overeenkwamen met de werkelijkheid, en ze vonden dat de voorspellingen goed gekalibreerd waren, wat betekent dat een risicoscore van 90 procent werkelijk een hoge kans op de ziekte betekende.

Misschien wel het meest significante deel van dit werk is de uitleg. Het systeem zegt niet alleen "hoog risico"; het vertelt de arts waarom. Met behulp van een techniek genaamd SHAP toonde het aan dat glucose en de body mass index de meest invloedrijke factoren waren over de gehele groep patiënten. Voor een individuele patiënt gebruikt het systeem LIME om de risico's van die specifieke persoon uit te leggen, waarbij wordt benadrukt welke van hun metingen de score hebben verhoogd. Het gaat zelfs een stap verder met een methode genaamd DiCE, die contrafeitelijke verklaringen genereert. Dit betekent dat het systeem een patiënt kan vertellen wat er zou moeten veranderen om het risico te verlagen. Bijvoorbeeld, het kan laten zien dat als het glucosegehalte van een patiënt iets lager zou zijn of het gewicht iets lager zou zijn, de voorspelling van de computer zou verschuiven van "diabetes" naar "geen diabetes". Dit verandert een statische voorspelling in een dynamisch hulpmiddel voor preventie.

De onderzoekers valideerden hun werk door het te vergelijken met oudere methoden en door het over de twee verschillende datasets te testen. Ze vonden dat hun aanpak robuuster en betrouwbaarder was dan standaardtechnieken. Ze bevestigden ook dat de verklaringen die het systeem gaf stabiel waren; als ze de test opnieuw zouden uitvoeren, zou het systeem naar dezelfde belangrijke factoren wijzen. Deze consistentie is essentieel voor het opbouwen van vertrouwen in medische omgevingen. De studie concludeert dat door het combineren van slimme kenmerkselectie, een krachtig voorspellingsmodel en duidelijke verklaringen, het mogelijk is om een hulpmiddel te creëren dat zowel nauwkeurig als begrijpelijk is. Dit raamwerk biedt een pad voorwaarts voor klinische besluitvormingsondersteuning, waarbij computers artsen kunnen helpen niet alleen door getallen te berekenen, maar door de context en redenering te bieden die nodig zijn om geïnformeerde keuzes te maken over de patiëntenzorg.