对于心脏病预测的XAI增强投票组合模型:基于SHAP和LIME的方法
Nermeen Gamal Rezk1, Samah Alshathri2, Amged Sayed3,4
1Department of Computer Science and Engineering, Faculty of Engineering, Kafrelsheikh University, Kafr_El_Sheikh 6860404, Egypt.
Bioengineering (Basel, Switzerland)
|October 25, 2024
概括
这项研究引入了可解释的人工智能 (XAI) 来改善心脏病预测模型. 通过将集体学习与XAI技术相结合,该研究提高了模型的透明度和准确性,以便更好地做出医疗保健决策.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 心血管疾病研究研究
背景情况:
- 近十年来,集体学习 (EL) 模型已用于心脏病分类.
- 现有的不可解释的"黑子"模型在理解其用于心脏病预测的内部决策过程方面存在挑战.
- 准确的心脏病预测仍然是医疗保健中的一个重大挑战,影响及时诊断和治疗.
研究的目的:
- 利用基于可解释的人工智能 (XAI) 的混合集体学习 (EL) 模型开发心脏病预测的框架.
- 通过SHAP (夏普利添加式解释) 和LIME (局部可解释模型-不可知论解释) 分析,提高预测模型的可解释性.
- 确定最佳的混合合体学习算法,以准确预测心脏病 (HDP).
主要方法:
- 实施一个框架,将混合组合学习 (EL) 算法 (LightBoost,XGBoost) 与XAI技术相结合.
- 应用SHAP和LIME来分析和解释EL模型的行为.
- 使用关键性能指标评估模型有效性,包括准确性,精度和回忆.
主要成果:
- 开发的框架成功地将XAI与混合EL模型集成到心脏病预测中.
- SHAP和LIME分析提供了对导致心脏病的重要因素和风险信号的见解.
- 该研究确定了特定的混合EL模型,其在HDP中表现出基于准确性,精度和回忆的卓越性能.
结论:
- 将XAI与混合集体学习集成,显著提高了心脏病预测模型的可解释性和透明度.
- 可解释的人工智能对于了解心血管疾病预测的潜在因素至关重要,增强信任和临床实用性.
- 该研究建议将XAI纳入医疗保健模型,以支持医疗决策和改善患者的治疗结果.
关键词:
这就是LIME (Local Interpretable Model-agnosticExplanations) 的意思.SHAP (夏普利添加式扩展) 是一种方法.可解释的人工智能 (XAI)心脏病预测 心脏病预测混合集体学习 集体学习投票算法 投票算法更多相关视频
09:20Lumped-Parameter and Finite Element Modeling of Heart Failure with Preserved Ejection Fraction
Published on: February 13, 2021
6.4K
08:51Author Spotlight: Integrated Multi-Omics Analysis for Unveiling Multicellular Immune Signatures in Clinical Heart Attack Cohorts
Published on: September 20, 2024
1.2K
