A Novel Ensemble-Based Deep Learning Model with Explainable AI for Accurate Kidney Disease Diagnosis

要約

慢性腎臓病（CKD）は、腎機能の進行性の低下を特徴とし、体内の老廃物の蓄積と体液バランスの乱れを引き起こす、世界的な健康上の重大な課題です。
公衆衛生に対する広範な影響を考慮すると、タイムリーな介入を可能にする効果的な診断ツールが緊急に必要とされています。
私たちの研究では、CKD の早期発見のための最先端の転移学習モデルの適用を詳しく掘り下げています。
包括的で公開されているデータセットを活用して、EfficientNetV2、InceptionNetV2、MobileNetV2、Vision Transformer (ViT) 技術を含むいくつかの最先端モデルのパフォーマンスを細心の注意を払って評価しています。
注目すべきことに、私たちの分析は優れた精度を示しており、MobileNetV2 では 90% のしきい値を超え、ViT では 91.5% の精度を達成しています。
さらに、予測能力をさらに強化するために、アンサンブル モデリングを通じてこれらの個別の方法論を統合し、その結果、アンサンブル モデルは CKD の早期検出において 96% という驚くべき精度を示しました。
この大きな進歩は臨床転帰の改善に大きな期待をもたらし、複雑な医療課題に対処する上での機械学習の重要な役割を強調しています。

要約(オリジナル)

Chronic Kidney Disease (CKD) represents a significant global health challenge, characterized by the progressive decline in renal function, leading to the accumulation of waste products and disruptions in fluid balance within the body. Given its pervasive impact on public health, there is a pressing need for effective diagnostic tools to enable timely intervention. Our study delves into the application of cutting-edge transfer learning models for the early detection of CKD. Leveraging a comprehensive and publicly available dataset, we meticulously evaluate the performance of several state-of-the-art models, including EfficientNetV2, InceptionNetV2, MobileNetV2, and the Vision Transformer (ViT) technique. Remarkably, our analysis demonstrates superior accuracy rates, surpassing the 90% threshold with MobileNetV2 and achieving 91.5% accuracy with ViT. Moreover, to enhance predictive capabilities further, we integrate these individual methodologies through ensemble modeling, resulting in our ensemble model exhibiting a remarkable 96% accuracy in the early detection of CKD. This significant advancement holds immense promise for improving clinical outcomes and underscores the critical role of machine learning in addressing complex medical challenges.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google