基于雾计算环境与XAI的双层登革热诊断：轻量级多层感知器与规则推理的创新应用

为解决登革热诊断中延迟高、误诊率高及模型可解释性不足的问题，研究人员提出了一种基于雾计算的双层诊断框架。通过优化轻量级多层感知器（MLP）结合可解释人工智能（XAI）工具（SHAP和LIME），在症状层面实现92%的准确率；结合血清学检测的规则推理完成确诊，显著降低误诊率。该研究为远程医疗和实时诊断提供了高效解决方案，发表于《Scientific Reports》。

　　

登革热作为全球最严重的虫媒病毒疾病之一，每年导致数亿人感染，但其诊断仍面临延迟高、依赖医疗经验及缺乏标准化流程等问题。尤其在资源有限地区，传统云计算的存储和计算延迟限制了实时诊断的可行性。此外，现有模型多为“黑箱”，缺乏可解释性，且多数研究仅停留在症状层面的初步诊断，未结合血清学检测确认。

为解决这些问题，Vellore理工学院的研究团队在《Scientific Reports》发表了一项创新研究，提出基于雾计算环境的双层登革热诊断框架。该框架通过轻量级多层感知器（MLP）结合可解释人工智能（XAI）工具，实现了高精度与低延迟的平衡，并首次将症状诊断（Level-1）与血清学检测（Level-2）整合，模拟真实医疗流程。研究结果表明，优化后的MLP模型在小型数据集上达到92%的准确率和100%的特异性，XAI工具则揭示了症状与预测间的关联，而规则推理进一步将确诊率提升至临床实用水平。

研究采用了两项关键技术：一是基于雾计算的分布式架构，将Level-1诊断（症状分析）部署于雾节点以减少延迟，Level-2诊断（血清学规则推理）在边缘端执行；二是通过网格搜索优化（GridSearchCV）和批量归一化（Batch Normalization）构建轻量级MLP模型，结合SHAP和LIME实现预测可解释性。数据来源于公开的登革热症状数据集和孟加拉国血清学数据集。

Level-1诊断：症状分析与轻量级MLP
研究首先对包含177条记录的登革热症状数据集进行预处理，通过皮尔逊相关系数筛选出12个关键特征（如皮疹、高热）。提出的优化归一化轻量级MLP（ONL-MLP）仅含3个隐藏层，参数量低至3,713个，训练时间仅3分钟。模型采用ReLU和Sigmoid激活函数，结合Dropout和K折交叉验证防止过拟合，最终在测试集上实现92%的准确率和97%的AUC值。XAI分析显示，“皮疹”（Skin rash）和“家族登革热史”（Family DF history）对预测贡献最大。

Level-2诊断：血清学规则推理
针对Level-1筛选的疑似病例，研究从Kaggle获取血清学数据（NS1/IgG/IgM检测），提取6条核心规则。例如“NS1=0且IgG=1时确诊”，通过边缘端规则引擎快速完成确认，避免了云端的计算负担。

讨论与意义
该研究的创新性在于：1）首次将雾计算与双层诊断结合，解决了远程医疗的延迟问题；2）通过XAI工具增强了黑箱模型的可信度，助力临床决策；3）轻量化设计适配资源受限环境。局限性包括数据集规模较小及未实际部署雾计算测试平台。未来可通过联邦学习（Federated Learning）扩展多中心数据，并探索区块链保障数据安全。这一框架不仅适用于登革热，也为其他传染病的智能诊断提供了范式。