Dana 21. oktobra 2026. godine, kandidatkinja Sanja Lazić uspješno je odbranila master rad pod naslovom „Interpretabilni modeli mašinskog i dubokog učenja za predikciju rizika od dijabetesa tipa 2 na osnovu bihejvioralnih i kliničkih indikatora“, na master studijskom programu Vještačka inteligencija Fakulteta za informacione sisteme i tehnologije Univerziteta Donja Gorica, pod mentorstvom prof. dr Toma Popovića.
Istraživački i eksperimentalni dio rada djelimično je realizovan uz podršku Nacionalnog centra kompetencija za visokoperformansno računarstvo Crne Gore (NCC Montenegro), kroz HPC infrastrukturu i ekspertizu u okviru projekta EuroCC3, uz dodatnu istraživačku podršku projekta AI-AGE. Kroz podršku akademskim istraživanjima, mentorstvu i razvoju kompetencija, NCC Montenegro doprinosi jačanju primjene naprednih AI i HPC tehnologija u zdravstvu i drugim naučnim oblastima.
Master rad istražuje primjenu mašinskog i dubokog učenja, kao i metoda objašnjive vještačke inteligencije, u procjeni rizika od dijabetesa tipa 2, sa posebnim osvrtom na prediktivne performanse, pouzdanost i interpretabilnost modela. Istraživanje takođe demonstrira mogućnosti primjene AI modela u preventivnoj zdravstvenoj zaštiti, kroz procjenu rizika zasnovanu na podacima prikupljenim putem upitnika, bez potrebe za laboratorijskim analizama.
APSTRAKT – U radu je predstavljen razvoj i sistematska evaluacija modela mašinskog i dubokog učenja za procjenu rizika od dijabetesa tipa 2 na osnovu bihejvioralnih, kliničkih i demografskih indikatora. Istraživanje je obuhvatilo 253.680 zapisa i poređenje pet modela: logističke regresije, Random Forest, XGBoost, LightGBM i duboke neuronske mreže. Performanse su analizirane kroz diskriminativnost, kalibraciju procijenjenih vjerovatnoća i interpretabilnost. Duboka neuronska mreža ostvarila je najveću ROC-AUC vrijednost (0,7728), dok je LightGBM pokazao najuravnoteženije ukupne performanse. Za objašnjenje predikcija primijenjene su metode TreeSHAP, integrisani gradijenti i DeepLIFT SHAP. Razvijen je i prototip web aplikacije koji demonstrira prikaz procijenjenog rizika i faktora koji su doprinijeli pojedinačnim predikcijama.
Rezultati ukazuju na potencijal objašnjive vještačke inteligencije za podršku neinvazivnoj procjeni rizika i preventivnom skriningu, uz naglašavanje značaja pouzdanosti i transparentnosti modela, kao i potrebe za dodatnom validacijom prije njihove kliničke primjene.