优化混合机器学习框架用于使用电气胃图进行早期糖尿病预测
Paramasivam Alagumariappan1, Malathy Sathyamoorthy2, Rajesh Kumar Dhanaraj3
1Department of Biomedical Engineering, Vel Tech Rangarajan Dr. Sagunthala R&D Institute of Science and Technology, Chennai, India.
Scientific reports
|March 15, 2025
概括
使用电胃图 (EGG) 信号和可解释的人工智能 (XAI) 的新型非侵入性方法可以准确预测II型糖尿病. 这种方法为风险人群的早期疾病检测提供了一个有希望的工具.
科学领域:
- 生物医学工程 生物医学工程
- 医疗保健中的人工智能
- 糖尿病研究 糖尿病研究
背景情况:
- 二型糖尿病是一个日益严重的全球健康问题,由于生活方式的改变,印度移民中尤其普遍.
- 早期预测II型糖尿病对于有效管理和预防并发症至关重要.
- 现有的诊断方法可能具有侵入性或缺乏早期预测能力.
研究的目的:
- 提出一种新的,非侵入性方法,用于早期预测II型糖尿病,使用电胃图 (EGG) 信号.
- 利用可解释的人工智能 (XAI) 和元启发学来精确地从EGG信号中选择特征.
- 开发和验证一个强大的分类框架,以区分正常和糖尿病EGG信号.
主要方法:
- 从50-65岁的个体获取EGG信号,包括健康对照组和II型糖尿病患者.
- 应用SHapley添加式扩展 (SHAP) 和元启发学来识别重要的EGG信号特征.
- 开发基于Meta-Heuristic的混合极端梯度 (MH-XGB) 提升分类器用于信号分类.
主要成果:
- 拟议的MH-XGB分类器实现了高性能指标:95.8%的准确性,100%的灵敏性和92.3%的特异性.
- 与随机森林 (RF) 和传统的极端梯度增强 (XGBoost) 等基准模型相比,分类器表现出更好的性能.
- 曲线下的优秀面积 (AUC) 为0.9545,F1得分为0.96,以及低的假阳性率 (FPR) 为0.077.
结论:
- 基于EGG的非侵入性评估与XAI和MH-XGB分类相结合,对早期II型糖尿病预测非常有效.
- 这种方法为实时,非侵入性疾病检测提供了有价值的工具,解决了重大公共卫生挑战.
- 这些发现支持先进的人工智能技术在彻底改变糖尿病诊断和管理方面的潜力.
