Explainable AI for Chronic Kidney Disease Prediction Using Simulated Federated Learning

Resumo Técnico: IA Explicável para Predição de Doença Renal Crônica Usando Aprendizado Federado Simulado

Definição do Problema
A Doença Renal Crônica (DRC) representa um desafio significativo de saúde pública, caracterizada pela perda gradual da função renal. A detecção precoce é crítica para prevenir complicações graves e melhorar os resultados dos pacientes. No entanto, o desenvolvimento de modelos de predição confiáveis muitas vezes requer a agregação de dados sensíveis de pacientes de múltiplas instituições de saúde, o que levanta preocupações substanciais de privacidade. As abordagens tradicionais de aprendizado de máquina centralizado exigem o compartilhamento de dados brutos com terceiros, criando barreiras à colaboração e à segurança dos dados. Além disso, embora existam modelos de alta precisão, a natureza de "caixa preta" de muitos algoritmos avançados dificulta a confiança e a adoção em ambientes clínicos, onde a transparência é primordial.

Metodologia
Este estudo propõe um framework que integra Aprendizado Federado (FL - Federated Learning) com métodos de aprendizado de máquina de conjunto (ensemble) e IA Explicável (XAI) para predizer a DRC preservando a privacidade dos dados. A metodologia procede através das seguintes etapas:

1. Conjunto de Dados e Pré-processamento: A pesquisa utilizou um conjunto de dados clínicos de 400 registros de pacientes contendo 14 variáveis preditoras médicas (ex: pressão arterial, hemoglobina, creatinina sérica) e um rótulo de classe binária. Para lidar com o desequilíbrio de classes (62,5% DRC vs. 37,5% não-DRC), a Técnica de Sobreamostragem do Minoritário Sintético (SMOTE) foi aplicada, expandindo o conjunto de dados para 500 amostras.
2. Arquitetura de Aprendizado Federado: O estudo simulou um ambiente federado com três clientes distintos. O conjunto de dados foi particionado em três subconjuntos usando divisão estratificada para preservar a distribuição de classes.
   • Treinamento Local: Cada cliente treinou modelos locais utilizando três algoritmos de conjunto: Random Forest (RF), AdaBoost e XGBoost.
   • Otimização: O GridSearchCV foi empregado no lado do cliente para automatizar o ajuste de hiperparâmetros e evitar o sobreajuste (overfitting).
   • Seleção de Modelo: Para cada cliente, o algoritmo que apresentou a maior acurácia no teste local foi selecionado como o modelo local ideal.
3. Agregação Global: Um servidor central agregou os modelos locais selecionados usando um VotingClassifier ponderado. Os pesos atribuídos a cada modelo foram proporcionais às suas respectivas acurácias de teste locais, garantindo que modelos de maior desempenho exercessem maior influência na predição global.
4. Explicabilidade: Para aumentar a transparência, as Explicações Locais Interpretáveis e Independentes de Modelo (LIME) foram aplicadas para interpretar as predições do modelo global, identificando as contribuições das características para instâncias individuais.
5. Avaliação: O sistema foi avaliado utilizando Acurácia, Recall, Precisão e F1-Score, juntamente com validação cruzada de 5 dobras (5-fold cross-validation) para avaliar a generalização.

Principais Contribuições

• Aprendizado de Conjunto Preservador de Privacidade: O estudo demonstra um framework de FL simulado onde RF, AdaBoost e XGBoost são combinados sem compartilhar dados brutos de pacientes, abordando restrições de privacidade.
• Otimização de Modelo Híbrido: Ao utilizar GridSearchCV para otimização de parâmetros locais e um VotingClassifier ponderado para agregação global, a abordagem aproveita os pontos fortes de múltiplos métodos de conjunto.
• Integração de XAI: A incorporação de LIME proporciona interpretabilidade, permitindo que as partes interessadas compreendam a razão por trás das predições de DRC, destacando especificamente a contribuição de características como níveis de hemoglobina e níveis de açúcar.

Resultos

• Desempenho Local: Nos clientes simulados, o Random Forest alcançou 100% de acurácia em todas as métricas para o Cliente 1. Para os Clientes 2 e 3, os melhores modelos (AdaBoost e XGBoost, respectivamente) atingiram aproximadamente 97% de acurácia, 100% de recall, 94% de precisão e 97% de F1-score.
• Desempenho do Modelo Global: O modelo global agregado alcançou uma acurácia média de 99%. Especificamente, para a Classe 0 (não-DRC), o modelo alcançou 98% de precisão e 100% de recall. Para a Classe 1 (DRC), alcançou 100% de precisão e 98% de recall. O F1-score para ambas as classes foi de 99%.
• Validação Cruzada: A validação cruzada de 5 dobras confirmou a robustez do modelo, com pontuações de acurácia variando de 96% a 100% entre as dobras, com as Dobras 3 e 5 atingindo 100%.
• Importância das Características: A análise LIME revelou que os níveis de hemoglobina (especificamente o intervalo 11,30 < Hemo ≤ 13,23) e o status de hipertensão foram contribuintes significativos para o processo de decisão do modelo.

Significância e Alegações
O artigo afirma que o framework proposto equilibra com sucesso alto desempenho preditivo com privacidade de dados e interpretabilidade do modelo. Ao atingir 99% de acurácia, o estudo destaca o potencial de modelos de Aprendizado Federado interpretáveis para apoiar o diagnóstico precoce de DRC sem comprometer a confidencialidade do paciente. Os autores afirmam que esta abordagem avança as soluções de saúde baseadas em dados ao oferecer uma alternativa confiável, transparente e preservadora de privacidade em relação à coleta de dados centralizada. O estudo conclui que tais modelos podem reduzir a dependência de testes clínicos extensivos para a detecção precoce, embora observe que trabalhos futuros são necessários para validar esses achados em conjuntos de dados maiores e mais diversos para garantir uma aplicabilidade clínica mais ampla.