图表对图像方法的转移学习:心血管疾病预测的案例研究
Francisco J Lara-Abelenda1, David Chushig-Muzo1, Pablo Peiro-Corbacho1
1Department of Signal Theory and Communications, Telematics and Computing Systems, Rey Juan Carlos University, Madrid, Spain.
Journal of biomedical informatics
|April 10, 2025
概括
这项研究表明,将表格数据转换为图像,并使用卷积神经网络 (CNN) 与转移学习可以改善心血管疾病 (CVD) 风险预测. 这种方法在有限的数据集上优于传统的机器学习模型.
科学领域:
- 在医疗保健领域的机器学习和人工智能
- 医学图像分析和计算病理学
- 数据科学和预测建模用于疾病风险评估.
背景情况:
- 机器学习 (ML) 模型被广泛用于表格式数据分类.
- 将表格数据转换为图像可以使用强大的卷积神经网络 (CNN).
- 现有的表式到图像式方法在数据集中难以处理少量样本和混合数据类型的数据集.
研究的目的:
- 评估"表格数据低混合图像生成器" (LM-IGTD) 方法,将表格数据转换为图像.
- 评估转移学习和微调CNN的有效性,以改善对表格数据的预测.
- 通过增强的预测建模,推进心血管疾病 (CVD) 诊断.
主要方法:
- 使用了两个公开的CVD数据集 (弗雷明汉姆和Steno).
- 使用LM-IGTD方法将表格数据转换为图像.
- 在Framingham数据集上训练CNN模型,然后在Steno数据集上使用转移学习进行微调,以预测心血管疾病风险.
主要成果:
- 使用转移学习的CNN模型在Steno数据集上实现了0.855的ROC曲线下的最高面积 (AUCORC).
- 这种方法表明,与最好的传统模型TabPFN相比,准确度提高了2%.
- 基于CNN的转移学习方法表现优于其他ML模型,包括决策树,K-最近邻居,LASSO和支持向量机.
结论:
- 这是第一个通过表格到图像转换评估表格数据的转移学习和微调的研究.
- 拟议的方法利用CNN的预测能力来改善心血管疾病风险预测.
- 该框架支持早期临床干预和心脏病诊断中的决策.
