CN119418954A 一种糖尿病预测和可解释性分析方法以及计算机程序产品 （青岛科技大学）

一种糖尿病预测和可解释性分析方法以及本发明公开了一种糖尿病预测和可解释性化摘要图，展示各个特征对预测结果的具体影显著提升了RAC模型的预测性能。通过引入SHAP2构建样本数据集，其中记录有由糖尿病人和健康人的样;;;使用SHAP模型计算每个输入特征向量的SHAP值，评估输残差网络模型的输出层将第三个残差块输出的16维特征映射到1维，生成表示糖尿病风险;37.根据权利要求1至6中任一项所述的糖尿病预测和可解释性分析方法，其特征在于，对预处理后的样本数据进行标准化处理，形成统一的数据格式后，输8.根据权利要求1至6中任一项所述的糖尿病预测和可解释性分析方法，其特征在于，4[0005]尽管糖尿病预测领域持续涌现新进展，但现有预测方法无论是传统机器学习算;5;W;是与第i个残差块相关的权重；selfAttention(x")是特征自注意力机制层，用于置每个残差块的内部结构分别包括第一全连接层和归一化层、第二全连接层和归一化层、;6数据格式统一后的原始输入特征向量X一起代入所述改进残差网络模型，进行糖尿病风险述计算机程序/指令被处理器执行时实现上述糖尿病预测和可解释性分析方特征分配不同的权重，从而在模型训练过程中重点关注那些对糖尿病预测更为关键的特[0025]图1为本发明所提出的糖尿病预测和可解释性分析方法的一种实施例的总体流程7[0028]本实施例为了解决传统糖尿病预测领域所使用的数学模型结构简单以及黑箱特[0029]下面结合图1、图2对本实施例的糖尿病预测和可解释性8的每次迭代过程中，都使用其中m_1个子集的并集作为训练集，余下的一个子集作为测试[0041]残差网络在形式上将所需的底层映射表示为H(x),假设多个非线性层可以渐近逼近一个复杂函数，这等价于多个非线性层可以渐近逼近一个残差函数F(x)=H(x)_x。因;;式中YJ分别为第i个残差块的输入数据和输出数据；W;={W飞K≤N}是与第i个残差块相关的权重，N是残差块中的层数；F(ac,w3)是待学习的残差函数；;从第一层到当前层之前所有残差函数计算结果的累。9Q=XWQK=XWK。;。。。;;一化操作；w;是与第i个残差块相关的权重，其中，是与第1个残差块相关的权重，selfAttention(x)=x'。应用卷积运算会对性能产生负优化。而全连接层的主要功能是将输入数据映射到输出空[0058]在某些实施例中，可以使用Sigmoid函数连接残差网络末端的全连接层进行样本;[0064]在本实施例中，可以设计性能评估模型展现RAC模型在糖尿病预测中相对于其他[0065]图5展示了从测试集中提取样本进行对比评估的示例，突显了改进后的残差网络些结果充分证明了本实施例的RAC模型在糖尿病预测领域[0071]本实施例针对糖尿病数据集设计的特征自注意力模块与改进后的残差网络融RAC模型在训练阶段表现出了优异的预测性能，然而若在临床应用中未能提供预测结果的f(X)为XS的SHAP值，则第i个样本的第j个特征的SHAP值计。[0073]假设SHAP模型对样本X;的预测值为yi，整个模型的基线(通常是所有样本的目。[0074]式中，f(xs)就是第i个样本x;中的第s个特征对最终预测值y:的贡献值，每个[0079]图7展示了SHAP值的可视化摘要图。它具体呈现了数据集中某一确诊糖尿病病例测的重要性，进而实现对模型预测逻辑的透明化处理，有效解决了传统深度学习模型作为