基于改进残差网络和SHAP的糖尿病预测及可解释性分析

摘要

针对糖尿病预测领域中可靠性与可解释性不足问题，提出了基于改进深度残差网络的预测算法。该算法嵌入了根据数据集特性设计的特征自注意力机制，并辅以SHAP模型以增强可解释性。SHAP能够精准定位并可视化影响糖尿病预测的关键因素，提升预测逻辑的透明度与实用价值。实验在Pima公开数据集及青岛某三甲综合医院私有数据集上展开，RAC模型与朴素贝叶斯、逻辑回归、支持向量机等模型进行了对比。结果显示，RAC的分类准确率、灵敏度、特异性、F₁分数值均优于其他模型，验证了其在临床实践中早期预警或辅助诊断的潜力。

关键词

糖尿病预测 / 可解释性 / 改进深度残差网络 / 特征自注意力机制 / SHAP模型

基金资助

国家自然科学基金青年项目（32301702）; 中华护理学会科研项目（ZHKY202118）; 山东省护理学会科研项目（SDHLKT202209）