在临床决策支持系统中采用新的Shapley-based特征选择方法,用于识别肺部疾病

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 信号处理 信号处理

背景情况:

• 肺部疾病的准确诊断对于有效治疗至关重要.
• 肺声分析提供了一种非侵入性方法来评估呼吸系统的健康状况.
• 现有的诊断工具可以通过先进的计算方法来增强.

研究的目的:

• 提出一种利用基于类的Shapley值的新特征选择方法.
• 开发一种临床决策支持系统,用于使用肺声音诊断肺病.
• 为了提高自动肺声分类的准确性.

主要方法:

• 开发了一个使用决策树算法 (DTA) 的临床决策支持系统.
• 实施了一种基于基于类的Shapley值的新型特征选择技术.
• 使用的特征集包括功率光谱密度 (PSD),Mel频率 Cepstral 系数 (MFCC) 和统计特征.
• 采用单个和并行 (组合) DTA 分类器配置.

主要成果:

• 通过基于类的Shapley值选择的特征显著改善了分类性能.
• 与单个分类器相比,集体系统表现出优越的性能.
• 拟议的方法优于使用原始特征或传统Shapley值应用的系统.
• 对健康状态和各种肺部疾病 (URTI,COPD,肺炎,支气管炎) 实现了准确的分类.

结论:

• 基于类的Shapley值特征选择对于肺声分析是有效的.
• 通过这种方法优化的集体DTA分类器提高了诊断准确度.
• 开发的系统有望改善呼吸系统医学中的临床决策支持.