为心血管疾病诊断优化机器学习框架:一种新的伦理视角
Ghadah Alwakid1, Farman Ul Haq2, Noshina Tariq3
1Department of Computer Science, College of Computer and Information Sciences, Jouf University, Sakaka, Saudi Arabia.
BMC cardiovascular disorders
|February 20, 2025
概括
先进的人工智能 (AI) 提高了心血管疾病 (CVD) 诊断的准确性. 使用基于AI的特征选择,XGBoost模型实现了99%的准确性,证明了可靠的CVD识别.
科学领域:
- 心血管疾病 心血管疾病
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 心血管疾病 (CVD) 构成了重大的健康挑战.
- 由于复杂的临床数据和特征选择复杂性,准确和及时的CVD诊断受到阻碍.
- 先进的人工智能 (AI) 提供了在心血管疾病识别中提高精度的潜力.
研究的目的:
- 研究基于AI的高级特征选择技术,用于CVD分类.
- 应用人工智能技术来提高心血管疾病诊断的准确性和可靠性.
- 探索人工智能驱动的心血管疾病诊断中的伦理考虑,重点关注公平性和可信度.
主要方法:
- 采用特征选择方法,包括Chi-square,Info Gain,Forward Selection和Backward Elimination,以确定关键的心血管健康指标.
- 集成了各种机器学习 (ML) 模型,如随机森林 (RF),XGBoost,决策树 (DT) 和后勤回归 (LR).
- 应用主要组件分析 (PCA) 用于在选定的特征子集上进行维度缩小.
主要成果:
- XGBoost在八个特征子集上表现出卓越的性能,准确率为99%,回忆率为100%,F1测量率为99%,精度为99%.
- 在使用PCA将维度减少到六个特征子集后,XGBoost实现了98%的准确性,100%的回忆,98%的F1测量和97%的精度.
- 通过无偏见的数据集和公平的特征选择技术来解决诸如偏见缓解等道德考虑.
结论:
- 基于AI的特征选择和ML模型显著提高了CVD分类的准确性和可靠性.
- XGBoost是人工智能驱动的心血管疾病诊断的高效模型.
- 严格的验证和道德考虑对于在医疗保健中可靠的AI应用至关重要.
