MACHINE LEARNING PER LA DIAGNOSI NON INVASIVA DELLE PATOLOGIE EPATICHE

Il lavoro di tesi propone un'architettura di Machine Learning, basata su uno Stacking Ensemble, per la diagnosi precoce e non invasiva delle patologie epatiche. Il sistema utilizza biomarcatori ematici di routine per offrire un'alternativa sicura e economica rispetto alle metodologie tradizionali invasive o costose, come la biopsia o l'imaging medico. Il meta-modello combina le capacità predittive di XGBoost, Random Forest e Reti Neurali (MLP), ottenendo prestazioni promettenti sul dataset considerato, valutate su un test set escluso dalla scelta del modello e della soglia: un'AUC ROC di 0,98, un FNR del 4,53% e un FPR del 12,68%. Inoltre, per superare il problema della "Black Box", l'architettura integra strumenti di Explainable AI (SHAP e LIME). Questi framework forniscono spiegazioni globali e locali delle decisioni del modello.