相关实验视频
在不平衡学习中优化心脏病预测的稳定性,使用可解释的成长网络
Simon Bin Akter1, Sumya Akter1, Rakibul Hasan2
1Martin Tuchman School of Management, New Jersey Institute of Technology, Newark, 07102, NJ, USA; Department of Computer Science and Engineering, Northern University Bangladesh, Dhaka, Bangladesh.
Computer methods and programs in biomedicine
|March 27, 2025
概括
这项研究介绍了GrowNet,GrowNet是一个稳定的心脏病预测模型,它与不平衡的公共数据集相美. 通过识别关键风险因素,GrowNet改善了早期检测,提高了患者的治疗结果.
科学领域:
- 心脏病学 心脏病学
- 机器学习 机器学习
- 数据科学数据科学数据科学
背景情况:
- 心脏病预测模型在不平衡的公共数据集上难以保持稳定.
- 阶级失衡会对特征选择,采样和建模产生负面影响,导致业绩偏差.
研究的目的:
- 开发一个稳定和可解释的心脏病预测模型.
- 为了应对现实世界数据集中阶级不平衡所带来的挑战.
主要方法:
- 提出了一种具有动态数据配置的新型增长网络 (GrowNet) 架构.
- 实现了Tridyn依赖性特征选择和适应性改进采样以确保稳定性.
- 为了模型的可解释性,利用了夏普利添加式解释 (SHAP).
主要成果:
- 在UCI心脏病数据集中,GrowNet的表现优于其他模型 (特异性:92%,敏感性:88%).
- 在不平衡的BRFSS和NHIS数据集上表现强,优于其他模型.
- 在处理阶级不平衡方面取得了显著的改进,显示出增强的稳定性和通用性.
结论:
- GrowNet为早期心脏病检测提供了一个稳定和可解释的解决方案.
- 该模型有助于医疗保健专业人员识别关键风险因素,改善患者的治疗结果.
- 通过关注关键风险指标,促进成本效益高的心脏病预测.
