توسعه فردی و تحول سازمانی 4 پیاپی 12 1405 04 01 A Transfer Learning Protocol for Hybrid Deep–Machine Learning Models to Predict and Interpret Weight Loss طراحی پروتکل یادگیری انتقالی در مدل‌های هیبریدی یادگیری عمیق برای پیش‌بینی و تفسیرپذیری کاهش وزن 1 16 FA انوشه یزدانبخش گروه مدیریت،واحد بین الملل کیش،دانشگاه آزاد اسلامی ، کیش ایران علیرضا پورابراهیمی گروه مدیریت صنعتی، واحد کرج، دانشگاه آزاد اسلامی، کرج، ایران عبدالرضا نوروزی گروه علوم تغذیه،دانشگاه علوم پزشکی مشهد، ایران Journal Article 1404/05/23 <p>The objective of this study is to develop a three-stage transfer learning protocol for a hybrid CNN–Attention–XGBoost architecture to improve the accuracy and interpretability of weight-loss prediction in Iranian clinical data. The proposed model consisted of a convolutional neural network, an attention mechanism, and an XGBoost regressor. The CNN–Attention module was first pre-trained on an international dataset to learn general temporal weight-change patterns. The learned parameters were then fine-tuned on an Iranian dataset to adapt the model to local characteristics. Finally, the extracted features were passed to an XGBoost regressor for interpretable prediction. Model performance was evaluated using MAE, RMSE, and R², and statistical tests were applied to compare model effectiveness. The hybrid transfer-learning model showed significantly higher accuracy and lower error compared with the non-transfer baseline model. Temporal weight patterns and deep learned features contributed most strongly to predictive performance. Statistical testing confirmed that the improvement in accuracy was significant, indicating that transferred knowledge effectively enhanced model generalization. The proposed transfer learning protocol successfully enhanced both predictive performance and interpretability. Integrating deep feature extraction with an explainable decision layer provides a powerful and reliable approach for developing AI-based health systems that require both accuracy and transparency.</p> <p>هدف پژوهش، توسعه یک پروتکل سه‌مرحله‌ای یادگیری انتقالی برای معماری هیبریدی CNN–Attention–XGBoost با هدف بهبود دقت و تفسیرپذیری پیش‌بینی کاهش وزن در داده‌های بالینی ایرانی است. مدل پیشنهادی شامل شبکه عصبی کانولوشنال، لایه توجه و رگرسور XGBoost بود. ابتدا مدل عمیق بر داده‌های بین‌المللی پیش‌آموزش داده شد تا الگوهای عمومی تغییر وزن استخراج شود. سپس وزن‌ها روی داده‌های واقعی ایرانی تنظیم دقیق گردید تا با ویژگی‌های جمعیت بومی سازگار شود. در مرحله پایانی، ویژگی‌های استخراج‌شده به رگرسور XGBoost منتقل و مدل نهایی آموزش داده شد. عملکرد مدل با شاخص‌های MAE، RMSE و R² سنجیده شد و تفاوت عملکرد مدل‌ها به‌صورت آماری بررسی شد. مدل هیبریدی مبتنی بر یادگیری انتقالی نسبت به مدل بدون انتقال دانش بهبود قابل‌توجهی نشان داد و به مقادیر بالاتر دقت و خطای کمتر دست یافت. همچنین الگوهای زمانی وزن و ویژگی‌های عمیق استخراج‌شده بیشترین سهم را در پیش‌بینی داشتند. نتایج آزمون آماری نیز نشان داد که تفاوت میان دو مدل معنادار است و استفاده از دانش منتقل‌شده باعث بهبود توان پیش‌بینی می‌شود. پروتکل یادگیری انتقالی ارائه‌شده توانست دقت پیش‌بینی، تعمیم‌پذیری و تفسیرپذیری مدل را به‌صورت هم‌زمان افزایش دهد. ترکیب لایه‌های عمیق و رگرسور قابل‌تفسیر، رویکردی کارآمد برای توسعه سامانه‌های هوش مصنوعی سلامت فراهم می‌کند که هم دقیق و هم قابل‌اعتماد هستند.</p> https://www.journalpdot.com/index.php/jpdot/article/download/270/179