Avanços no Cuidado da Tireóide: Um Sistema de Diagnósticos Acurado e Confiável Com IA Interpretable e Técnicas Híbridas de Aprendizado de Máquina

A prevalência mundial de doenças da tireóide está em ascensão, representando uma condição crônica que impacta significativamente as taxas de mortalidade global. Abordagens de aprendizado de máquina (ML) demonstraram potencial superior na mitigação da ocorrência dessa doença ao facilitar a detecção e tratamento precoce. No entanto, há uma crescente demanda entre as partes interessadas e pacientes por explicações confiáveis e credíveis das previsões geradas em domínios médicos sensíveis. Assim, propomos um modelo de classificação de tireóide interpretável para ilustrar explicações de resultados e investigar a contribuição de características preditivas utilizando IA explicável. Dois conjuntos de dados de tireóide em tempo real passaram por várias abordagens de pré-processamento, abordando questões de desequilíbrio de dados usando a Técnica de Sobreamostragem de Minorias Sintéticas com Vizinhos Mais Próximos Editados (SMOTE-ENN). Subsequentemente, dois classificadores híbridos, a saber, RDKVT e RDKST, foram introduzidos para treinar as características processadas e selecionadas das técnicas de seleção de características Univariada e Ganho de Informação. Após a fase de treinamento, a Explicação Aditiva de Shapley (SHAP) foi aplicada para identificar as características influentes e os valores correspondentes que contribuem para os resultados. Os experimentos realizados concluíram, em última análise, que o classificador RDKST apresentado obteve o melhor desempenho, demonstrando uma precisão de 98,98% quando treinado em características selecionadas por Ganho de Informação. Notavelmente, as características T3 (triiodotironina), TT4 (tiroxina total), TSH (hormônio estimulante da tireóide), FTI (índice de tiroxina livre) e T3ₘeasured influenciaram significativamente os resultados gerados. Ao equilibrar a precisão da classificação e a capacidade de explicação dos resultados, este estudo visa aprimorar o processo de tomada de decisão clínica e melhorar o cuidado ao paciente.