3가지 유형의 XAI를 적용한 당뇨 예측 및 설명 시스템

국문 초록 (Abstract)

블랙박스 형태의 머신러닝 기반 당뇨 예측 시스템은 사용자에게 결과의 이유나 근거를 제시하지 못해 이해도와 신뢰도가 낮아지는 한계를 지닌다. 이를 개선하기 위해 본 논문은 3가지 유형의 설명 가능한 인공지능(XAI)을 적용한 당뇨 예측 및 설명 시스템을 설계·구현하였다. 피마 인디언 당뇨 데이터셋(PIDD)을 이용하여 중앙값 대체 방식으로 결측치를 처리하고, 9가지 분류 모델을 학습시켜 정확도, 정밀도, 재현율, F1-점수, ROC-AUC로 성능을 평가하였다. 최적 예측 모델에 LIME, SHAP, DiCE를 적용하여 각기 다른 설명 결과를 웹 기반 대시보드 형태로 시각화하였다. LIME과 SHAP은 예측 근거를 수치와 시각적으로 제시해 사용자의 이해를 높이며, DiCE의 반사실적 설명은 대안 시나리오를 통해 결과 해석을 돕는다. 세 가지 XAI를 하나의 예측 모델에 통합함으로써 당뇨 예측 시스템의 설명성과 신뢰성을 향상시켰으며, 본 연구는 향후 다른 의료 진단 시스템에도 XAI를 적용하는 기초 연구로 활용될 수 있을 것이다.

다국어 초록 (Multilingual Abstract)

In black-box machine learning-based diabetes prediction systems, users are not provided with reasons or explanations for the results, leading to low understanding and trust. To address this limitation, this study designs and implements a diabetes prediction and explanation system using three types of Explainable Artificial Intelligence (XAI) techniques. The Pima Indian Diabetes Dataset (PIDD) was used, and missing values were handled through median imputation. Nine classification models were trained and evaluated using accuracy, precision, recall, F1-score, and ROC-AUC metrics. The best-performing model was integrated with LIME, SHAP, and DiCE to visualize different types of explanations through a web-based dashboard. LIME and SHAP provide quantitative and visual representations of prediction rationale, enhancing user comprehension, while DiCE offers counterfactual explanations that present alternative scenarios for easier interpretation. By combining three XAI methods into one prediction model, the proposed system improves explainability and reliability in diabetes diagnosis. Furthermore, this study serves as a foundational reference for applying XAI techniques to other medical diagnostic systems.