L'apprendimento federato raggiunge il 99% di accuratezza nella previsione della CKD con XAI
Un nuovo studio dimostra che l'apprendimento federato (FL) combinato con l'IA spiegabile (XAI) può prevedere la malattia renale cronica (CKD) con una precisione media del 99%. I ricercatori hanno utilizzato un ensemble VotingClassifier composto da modelli Random Forest, AdaBoost e XGBoost addestrati su un set di dati clinici, con GridSearchCV per ottimizzare le prestazioni lato client. L'elevata accuratezza del modello globale evidenzia il potenziale del FL interpretabile per la diagnosi precoce della CKD, affrontando sia la privacy dei dati che la trasparenza del modello in ambito sanitario.
Fatti principali
- L'apprendimento federato con VotingClassifier prevede la CKD con una precisione del 99%.
- Modelli utilizzati: Random Forest, AdaBoost, XGBoost.
- GridSearchCV ha ottimizzato le prestazioni del modello lato client.
- Le tecniche di IA spiegabile migliorano la trasparenza del modello.
- Lo studio mira a supportare la diagnosi precoce della CKD e l'assistenza sanitaria basata sui dati.
Entità
—