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

Resumo Técnico: Modelos de Aprendizado de Máquina Baseados em Ensemble Explicáveis para Detecção de Cirrose em Pacientes com Hepatite C

Definição do Problema
A infecção pelo vírus da hepatite C (HCV) é uma crise de saúde pública global, particularmente no Egito, onde as taxas de prevalência estão entre as mais altas do mundo. Uma complicação crítica da HCV crônica é a cirrose hepática, uma condição caracterizada por cicatrizes permanentes que frequentemente progride silenciosamente até estágios avançados, levando à insuficiência hepática, hemorragia gastrointestinal e aumento da mortalidade. Embora os antivirais de ação direta (DAAs) possam curar a HCV, muitos pacientes já sofrem com a infecção crônica e complicações associadas. Os métodos diagnósticos atuais para cirrose, como biópsias hepáticas, são invasivos, caros e arriscados. Alternativas não invasivas, como elastografia de transiente ou índices clínicos (ex: APRI, FIB-4), sofrem com limitações de disponibilidade, precisão e aplicabilidade em diversas populações de pacientes (ex: aqueles com ascite ou obesidade). Embora o aprendizado de máquina (ML) tenha mostrado promessa no diagnóstico de várias doenças, há uma lacuna notável de pesquisa aplicando ML especificamente para detectar a presença de cirrose em pacientes com HCV. Além disso, a natureza de "caixa preta" de modelos de ML complexos muitas vezes dificulta sua adoção por profissionais médicos que exigem processos de tomada de decisão explicáveis.

Metodologia
Este estudo utilizou um conjunto de dados de 2.038 pacientes egípcios (derivado do repositório UCI Machine Learning Repository) contendo 28 atributos. A variável alvo foi binarizada para distinguir entre pacientes com cirrose (classe positiva) e aqueles com estágios iniciais de fibrose ou sem cirrose (classe negativa).

A pesquisa seguiu um pipeline estruturado:

1. Pré-processamento: Os dados passaram por remoção de outliers usando o método da Amplitude Interquartil (IQR) e normalização via escala Min-Max. Para lidar com o desequilíbrio de classes inerente ao conjunto de dados (onde os casos de cirrose eram menores), foi aplicado o sobreamostragem aleatória (random oversampling).
2. Treinamento de Modelos: Quatro algoritmos de aprendizado de máquina baseados em ensemble foram treinados e comparados:
   • Random Forest (RF)
   • Gradient Boosting Machine (GBM)
   • Extreme Gradient Boosting (XGBoost)
   • Extra Trees (ET)
3. Otimização: Os hiperparâmetros de cada algoritmo foram ajustados usando GridSearchCV com validação cruzada estratificada de 10 dobras (10-fold cross-validation).
4. Seleção de Atributos: A Seleção de Atributos Sequencial (SFS) foi empregada para identificar o subconjunto mais significativo de atributos, visando reduzir a dimensionalidade e melhorar a eficiência do modelo.
5. Explicabilidade: O melhor modelo de desempenho foi analisado utilizando técnicas de Inteligência Artificial Explicável (XAI), especificamente Shapley Additive Explanations (SHAP) e Local Interpretable Model-agnostic Explanations (LIME), para interpretar as contribuições dos atributos e construir confiança nas decisões do modelo.

Principais Contribuições
O estudo traz quatro contribuições primárias para o campo da ciência de dados médica:

• Análise Comparativa: Avalia o desempenho de quatro algoritmos distintos de aprendizado de ensemble especificamente para o diagnóstico de cirrose em pacientes com HCV, uma aplicação específica não explorada anteriormente em profundidade.
• Redução de Atributos: Aplica a Seleção de Atributos Sequencial (SFS) para minimizar o número de atributos necessários para um diagnóstico preciso, demonstrando que um alto desempenho pode ser alcançado com um conjunto de atributos reduzido.
• Integração de Explicabilidade: Utiliza técnicas de XAI (SHAP e LIME) para desmistificar o processo de tomada de decisão do modelo, abordando a barreira de confiança frequentemente associada à IA na saúde.
• Identificação de Biomarcadores Chave: Identifica os atributos clínicos mais significativos para o diagnóstico de cirrose nesta coorte específica, oferecendo insights sobre os marcadores fisiológicos mais preditivos do estado da doença.

Resultos
O estudo descobriu que o balanceamento de dados via sobreamostragem aleatória foi crítico; sem ela, os modelos de boosting (GBM e XGBoost) falharam em prever casos positivos (0% de recall). Após a sobreamostragem e o ajuste de hiperparâmetros, todos os modelos mostraram melhoria significativa.

Após a Seleção de Atributos Sequencial (SFS):

• Extra Trees (ET) emergiu como o modelo superior. Alcançou a maior acurácia de 96,92%, uma precisão de 99,81%, um recall de 94,00% e um AUC-ROC de 96%. Notavelmente, o modelo ET alcançou este desempenho usando apenas 16 dos 28 atributos originais.
• Random Forest (RF) seguiu de perto com 96,58% de acurácia.
• XGBoost alcançou o maior recall (94,81%), mas menor acurácia geral (90,99%) e precisão (88,00%).
• GBM alcançou 95,70% de acurácia.

As matrizes de confusão indicaram que, embora o XGBoost tivesse o menor número de Falsos Negativos (FN), o modelo ET teve o menor número de Falsos Positivos (FP), o que é crucial para evitar intervenções médicas desnecessárias e ansiedade no paciente.

Achados de Explicabilidade

• Análise SHAP: Identificou RNA 4, IMC (BMI), RNA 12 e AST 1 como os atributos mais importantes que contribuem para as previsões. Valores altos de IMC e AST 1 mostraram contribuições positivas para a previsão de cirrose, enquanto valores altos de RNA 4 mostraram contribuições negativas.
• Análise LIME: Para previsões positivas individuais, atributos como IMC (BMI), RNA Base, ALT 48, RNA 4 e ALT 36 foram destacados como drivers principais.

Significância e Alegações
Os autores afirmam que este estudo demonstra a viabilidade do uso de aprendizado de ensemble explicável para auxiliar especialistas médicos na detecção precoce de cirrose em pacientes com HCV. Ao alcançar alta acurácia com um conjunto reduzido de atributos, o modelo proposto pode potencialmente reduzir a necessidade de testes clínicos extensos, otimizando o tempo para profissionais e pacientes, além de contribuir para a economia de custos. A integração de XAI garante que os outputs do modelo sejam interpretáveis, fomentando a confiança entre os provedores de saúde.

No entanto, o artigo mantém uma postura modesta quanto às suas implicações mais amplas. Os autores reconhecem que o modelo foi treinado em dados sintéticos gerados via sobreamostragem, em vez de um conjunto de dados maior e do mundo real de pacientes com cirrose. Consequentemente, sugerem que pesquisas futuras devem focar na validação do modelo com dados reais e na expansão do escopo para prever outros estágios da progressão da HCV para criar uma ferramenta de diagnóstico mais generalizada.