基于转移学习的混合VGG16-机器学习方法用于心脏病检测,可解释的人工智能
Eshetie Gizachew Addisu1, Tahayu Gizachew Yirga2, Hailu Gizachew Yirga3
1Department of Information Systems, College Informatics, University of Gondar, Gondar, Ethiopia.
Frontiers in artificial intelligence
|March 12, 2025
概括
这项研究引入了一种混合机器学习模型,用于准确检测心脏病. VGG16-Random Forest方法显示出高性能,提供了有价值的临床决策支持.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 心脏病是全球主要的死亡原因.
- 准确和早期检测对于有效的管理至关重要.
- 现有的诊断方法可以通过先进的计算方法来改进.
研究的目的:
- 开发一种新的混合机器学习方法,用于增强心脏病检测.
- 将转移学习 (VGG16 CNN) 与传统的ML分类器相结合.
- 提高心脏病诊断模型的准确性和可解释性.
主要方法:
- 采用混合方法,将VGG16用于特征提取和各种ML分类器.
- 雇佣条件表式生成对抗网络 (CTGAN) 用于合成数据生成和验证.
- 将表格数据重塑成类似图像的格式 (224x224x3),用于VGG16输入.
- 合VGG16提取特征与原始表格数据用于训练ML模型.
- 综合SHAP值用于模型可解释性.
主要成果:
- VGG16-Random Forest混合模型实现了92%的准确性,91.3%的精度和92.2%的回忆.
- 在多个指标上表现出高性能,包括特异性,敏感性和F1分数.
- VGG16-随机森林模型在未见的数据集上显示出有希望的概括性.
- SHAP值为模型预测的特征贡献提供了洞察力.
结论:
- 混合VGG16-ML方法为心脏病检测提供了一个高度准确和可解释的方法.
- 这种方法有可能显著帮助临床决策过程.
- 使用合成数据生成和可解释性提高了模型的稳定性和可信度.
