基于嵌套遗传算法的分类器选择和放置在多层组合框架中,以有效诊断疾病
Srinivas Arukonda1, Ramalingaswamy Cheruku1
1Department of Computer Science and Engineering, National Institute of Technology Warangal, Hanamkonda, India.
Computer methods in biomechanics and biomedical engineering
|December 21, 2023
概括
一个新的动态三级组合框架优化了分类器选择,以改善疾病诊断. 这种机器学习方法显著提高了准确性,并在多个数据集中优于现有模型.
科学领域:
- 计算生物学和生物信息学
- 医疗保健中的机器学习
- 医疗信息学 医疗信息学
背景情况:
- 由于复杂的机制和症状,有效的疾病诊断仍然是一个全球性的挑战.
- 机器学习 (ML),特别是组合方法,对早期诊断有很大的希望.
- 在集成框架内选择和安排最佳分类器对于性能至关重要,但在计算上很困难.
研究的目的:
- 提出一个动态的三级组合框架,以优化分类器的选择和放置.
- 解决选择最好的分类器及其在集体中的位置的组合挑战.
- 提高基于ML的疾病诊断的准确性和有效性.
主要方法:
- 开发了一个动态的三级合奏框架.
- 一个嵌套的遗传算法 (GA) 与一个基于集体的健身函数相结合,用于优化.
- 该方法从11个选项中选择了7个分类器,以在12个疾病数据集中最大限度地提高健康功能.
主要成果:
- 拟议的模型实现了高性能指标,包括0.987准确度,0.988F1得分和0.989G测量在慢性病 (CKD) 数据集上.
- 在其他数据集中观察到异常结果:心脏病数据集 (HDD) 的AUC为0.998,甲状腺功能低下疾病数据集 (HyDD) 的召回值为0.988.
- 使用Wilcoxon-Signed-Rank测试进行的统计评估证实了拟议的模型优于传统组合方法 (随机森林,包装分类器,XGBoost,梯度提升分类器) 的优势,p < 0.05.
结论:
- 动态的三级组合框架有效地优化了分类器的选择和放置,以进行高级疾病诊断.
- 拟议的模型显示了与最先进的技术 (SOTA) 和传统的组合技术相比的显著改进.
- 这些结果强烈支持这种ML框架对实际疾病诊断应用的实用性.
