Bernoulli Naive Bayes 모델을 이용한 해석 가능한 의료 데이터 분류 프레임워크

A Transportable Threshold-Based Framework for Interpretable Classification of Medical Data

블랙박스 모델의 한계를 극복하기 위해, Bernoulli Na"ive Bayes(BNB) 모델을 기반으로 한 해석 가능한 규칙 기반 임상 분류 프레임워크가 소개되었다. 이 방법은 연속 변수를 $ ext{χ}^2$-유도 통계 이진화하여 임상 결과와의 연관성을 극대화하는 임계값을 식별한다. Pima Indians Diabetes, Wisconsin Breast Cancer, Heart Failure Prediction의 세 가지 벤치마크 데이터셋에서 각각 0.800, 0.984, 0.919의 AUC 점수를 기록하며, 확률적 신뢰성을 평가하기 위한 교차 검증 보정 분석이 수행되었다. 이 프레임워크는 복잡한 모델과 유사한 성능을 유지하면서도 명확하고 임상적으로 의미 있는 의사결정 규칙을 제공한다.