Modified SHAP approach for interpretable prediction of cardiovascular complications

D.K. Sharipov; A.D. Saidov

doi:10.71310/pcam.2_64.2025.10

Авторы

Д.К. Шарипов Ташкентский университет информационных технологий имени Мухаммада ал-Хоразмий Автор
А.Д. Саидов Научно-исследовательский институт развития цифровых технологий и искусственного интеллекта Автор

DOI:

https://doi.org/10.71310/pcam.2_64.2025.10

Ключевые слова:

интерпретабельность модели, важность признаков, нормализация, прозрачность ИИ

Аннотация

В данной статье рассматривается важность модификации значений SHAP (SHapley Additive ExPlanations) для повышения интерпретации моделей в машинном обучении. SHAP-ценности обеспечивают справедливое распределение взносов функций, делая AI-ориентированное принятие решений более прозрачным и надежным. Однако исходные значения SHAP иногда могут быть трудно интерпретировать из-за взаимодействия функций, шума и несоответствий масштаба. В статье обсуждаются ключевые методы модификации значений SHAP, включая агрегацию характеристик, нормализацию, индивидуальный вес и снижение шума, для повышения ясности и актуальности объяснений. Он также рассматривает, как эти изменения согласуются с интерпретациями реальных потребностей, обеспечивая, чтобы идеи, основанные на SHAP, оставались практическими и действенными. Стратегически уточняя значения SHAP, ученые по данным могут получить более содержательные объяснения, повышая доверие к моделям ИИ и улучшая процессы принятия решений. В статье представлен структурированный подход к модификации значений SHAP, предлагающий практические применения и преимущества в различных областях.

Библиографические ссылки

Mao Q. et al. XGBoost-Enhanced Prediction and Interpretation of Heart Disease Using SHAP Values // 4th International Conference on Computer, Big Data and Artificial Intel ligence.– 2023.– P. 738-742.– DOI: 10.1109/ICCBD-AI62252.2023.00134.

Ghose P. et al. Explainable AI assisted heart disease diagnosis through effective feature engineering and stacked ensemble learning // Expert Systems with Applications.– 2025.– Vol. 265.– DOI: https://doi.org/10.1016/j.eswa.2024.125928.

Dehuri S. et al. 2024. Heart Disease Prediction Using Ensemble Techniques and Explainable AI Validation // Machine Intelligence, Tools and Applications (ICMITA). 2025.– Vol 40.– DOI: https://doi.org/10.1007/978-3-031-65392-6_24.

Saranya A., Narayan S. Risk Prediction of Heart Disease using Deep SHAP Techniques // 2nd International Conference on Advancement in Computation Computer Technologies. 2024.– P. 332-336.– DOI: 10.1109/InCACCT61598.2024.10551212.

arXiv:2103.11254 [cs.LG].– https://doi.org/10.48550/arXiv.2103.11254.

Pratheek N. et al. Cardiovascular Disease Prediction with Machine Learning Algo rithms and Interpretation using Explainable AI methods: LIME SHAP // 3rd Interna tional Conference for Advancement in Technology (ICONAT).– 2024.– P. 1-7.– DOI: 10.1109/ICONAT61936.2024.10774972.

Reddy V.A., Kodipalli D.M., Rao T. Innovative Approaches to Cardiovascular Disease: Machine Learning Predictions Unveiled Interpretation Using LIME SHAP // International Conference on Integrated Intelligence and Communication Systems (ICIICS).– 2024.– P. 1-5.– doi: 10.1109/ICIICS63763.2024.10859933.

Qi X. et al. Machine learning and SHAP value interpretation for predicting comorbidity of cardiovascular disease and cancer with dietary antioxidants.– 2024.– P. 2213-2317. PMID: 39700695. Accession: 096580542.

Donmez T.B. et al. Explainable AI in action: a comparative analysis of hypertension risk factors using SHAP and LIME // Neural Comput. Applic.– 2025.– Vol. 37.– P. 4053–4074.– DOI: https://doi.org/10.1007/s00521-024-10724-y.

Nguyen H.T., Vasconcellos H.D., Keck K. et al. 2023. Multivariate longitudinal data for survival analysis of cardiovascular event prediction in young adults: insights from a compar ative explainable study. BMC Med Res Methodol 23, 23 https://doi.org/10.1186/s12874 023-01845-4.

Lee Y.G. et al. SHAP Value-Based Feature Importance Analysis for Short-Term Load Forecasting // Journal of Electrical Engineering Technology.– 2023.

Leevy J.L. et al. Feature Selection Strategies: A Comparative Analysis of SHAP-Value and Importance-Based Methods // Journal of Big Data.– 2024.

Zhao Chi et al. ShapG: New Feature Importance Method Based on the Shapley Value // arXiv.– 2024.

Letoffe O. et al. From SHAP Scores to Feature Importance Scores // arXiv.– 2024.

Ponce-Bobadilla A.V. et al. Practical guide to SHAP analysis: Explaining supervised ma chine learning model predictions in drug development // Clin Transl Sci.– 2024.– No. 17(11).– DOI: 10.1111/cts.70056.