Explainable AI for Chronic Kidney Disease Prediction Using Simulated Federated Learning

技术摘要：基于模拟联邦学习的可解释人工智能用于慢性肾脏病预测

问题陈述
慢性肾脏病（CKD）是重大的公共卫生挑战，其特征是肾功能逐渐丧失。早期检测对于预防严重并发症和改善患者预后至终关重要。然而，开发可靠的预测模型通常需要聚合来自多家医疗机构的敏感患者数据，这引发了巨大的隐私担忧。传统的集中式机器学习方法需要向第三方共享原始数据，从而为协作和数据安全制造了障碍。此外，尽管存在高准确性的模型，但许多先进算法的“黑盒”性质阻碍了它们在对透明度要求极高的临床环境中的信任与应用。

方法论
本研究提出了一个集成联邦学习（FL）、集成机器学习方法和可解释人工智能（XAI）的框架，旨在预测 CKD 的同时保护数据隐私。该方法通过以下阶段进行：

1. 数据集与预处理： 研究利用了一个包含 400 条患者记录的临床数据集，包含 14 个医学预测变量（如血压、血红蛋白、血清肌酐）和一个二分类标签。为了解决类别不平衡问题（62.5% 为 CKD，37.5% 为非 CKD），应用了合成少数类过采样技术（SMOTE），将数据集扩展至 500 个样本。
2. 联邦学习架构： 研究模拟了一个包含三个不同客户端的联邦环境。数据集通过分层拆分被划分为三个子集，以保持类别分布。
   • 本地训练： 每个客户端使用三种集成算法进行本地模型训练：随机森林（RF）、AdaBoost 和 XGBoost。
   • 优化： 在客户端侧采用 GridSearchCV 来实现自动超参数调优并防止过拟合。
   • 模型选择： 对于每个客户端，选择在本地测试集上获得最高准确率的算法作为最优本地模型。
3. 全局聚合： 中央服务器使用加权 VotingClassifier 聚合选定的本地模型。分配给每个模型的权重与其各自本地测试准确率成正比，从而确保高性能模型对全局预测具有更大的影响力。
4. 可解释性： 为了增强透明度，应用了局部可解释模型无关解释（LIME）来解释全局模型的预测，识别单个实例的特征贡献。
5. 评估： 系统使用准确率（Accuracy）、召回率（Recall）、精确率（Precision）和 F1 分数进行评估，并结合 5 折交叉验证来评估泛化能力。

核心贡献

• 隐私保护的集成学习： 本研究展示了一个模拟的联邦学习框架，其中 RF、AdaBoost 和 XGBoost 在不共享原始患者数据的情况下进行组合，解决了医疗保健中的隐私约束问题。
• 混合模型优化： 通过利用 GridSearchCV 进行本地参数优化以及使用加权 VotingClassifier 进行全局聚合，该方法充分利用了多种集成方法的优势。
• 集成 XAI： 引入 LIME 提供了可解释性，使利益相关者能够理解 CKD 预测背后的逻辑，特别是强调了血红蛋白和血糖水平等特征的贡献。

结果

• 本地性能： 在模拟客户端中，随机森林在客户端 1 中实现了所有指标 100% 的准确率。对于客户端 2 和 3，表现最佳的模型（分别为 AdaBoost 和 XGBoost）分别实现了约 97% 的准确率、100% 的召回率、94% 的精确率和 97% 的 F1 分数。
• 全局模型性能： 聚合后的全局模型达到了 99% 的平均准确率。具体而言，对于类别 0（非 CKD），模型实现了 98% 的精确率和 100% 的召回率；对于类别 1（CKD），实现了 100% 的精确率和 98% 的召回率。两个类别的 F1 分数均为 99%。
• 交叉验证： 5 折交叉验证证实了模型的鲁棒性，各折准确率在 96% 到 100% 之间波动，其中第 3 折和第 5 折达到了 100%。
• 特征重要性： LIME 分析显示，血红蛋白水平（特别是区间 11.30 < Hemo ≤ 13.23）和高血压状态是模型决策过程中的重要贡献因素。

意义与主张
本文主张，所提出的框架成功地平衡了高预测性能、数据隐私和模型可解释性。通过实现 99% 的准确率，本研究凸显了可解释联邦学习模型在不损害患者隐私的前提下支持 CKD 早期诊断的潜力。作者断言，这种方法通过提供一种可靠、透明且保护隐私的替代方案，推动了数据驱动型医疗解决方案的发展。研究结论认为，此类模型可以减少对大规模临床检测以实现早期检测的依赖，但同时也指出，未来仍需在更大规模、更多样化的数据集上验证这些发现，以确保更广泛的临床适用性。