본 논문은 간 질환 진단의 정확성과 시의성을 높이기 위해 해석 가능한 스택 앙상블 모델인 StackLiverNet을 제안합니다. 기존의 머신러닝 및 딥러닝 모델들이 높은 오분류 오류, 해석력 부족, 과도한 계산 비용, 부적절한 전처리 전략 등의 문제점을 가지고 있는 것에 대한 해결책으로 제시되었습니다. StackLiverNet은 고급 데이터 전처리 및 특징 선택 기법을 사용하여 모델의 강건성과 예측 능력을 향상시키고, 클래스 불균형 문제를 해결하기 위해 랜덤 언더샘플링을 수행합니다. 여러 개의 하이퍼파라미터 최적화 기본 분류기를 LightGBM 메타 모델을 통해 결합하여 구성되며, 테스트 정확도 99.89%, Cohen Kappa 0.9974, AUC 0.9993을 달성하였습니다. 또한, LIME과 SHAP을 이용하여 예측의 해석성을 높였으며, Morris 방법을 통해 민감도 분석을 수행하여 중요 특징을 확인했습니다. 빠른 학습 및 추론 속도(학습 시간 4.2783초, 추론 시간 0.1106초)는 임상 현장 적용에 적합합니다.
