Generative adversarial networks and hyperparameter-optimized XGBoost for enhanced heart disease prediction

科学分野:

• 心臓病学
• 人工知能
• データサイエンス

背景:

• 心疾患（HD）は世界的な死亡原因の第一位であり、高度な診断ツールが必要とされています。
• 臨床データはしばしばバイアスとノイズに悩まされており、早期HD検出のための信頼できる予測モデルの開発を妨げています。

研究 の 目的:

• 心疾患の早期検出のための新しいハイブリッドフレームワークGAN-XOを提案および評価すること。
• 予測モデルのパフォーマンスを向上させるために、臨床データセットにおけるデータの不均衡とノイズに対処すること。

主な方法:

• 不均衡データセットをバランスさせるための合成オーバーサンプリングにGenerative Adversarial Network（GAN）を利用しました。
• データクリーニングのために、2段階の外れ値検出および除去プロセス（zスコアとIQR）を実装しました。
• Optunaによるハイパーパラメータ最適化を備えたXGBoost分類器を使用して、正確な予測を行いました。

主要な成果:

• GAN-XOシステムは、クリーンでバランスの取れたテストデータセットで96.60%の高い精度と0.9649のF1スコアを達成しました。
• アブレーションスタディにより、各コンポーネントの寄与が確認され、外れ値除去の重要な役割が強調されました。
• このフレームワークは、信頼性とモデルの信頼性を向上させる大幅なパフォーマンス向上を示しました。

結論:

• 正確なヘルスケア予測は、統合されたモデリングシステムと厳格なデータ品質管理に依存します。
• GAN-XOフレームワークは、心疾患の早期診断のための臨床的意思決定を強化するための有望なアプローチを提供します。