将学习与可解释的人工智能结合起来,以基于多个数据集的基础上改进心脏病预测

科学领域:

• 心脏病学 心脏病学
• 机器学习 机器学习
• 人工智能的人工智能

背景情况:

• 心脏病是全球主要的死亡原因.
• 早期检测和准确的诊断对于有效的患者管理至关重要.
• 机器学习为改善心脏病诊断提供了潜力.

研究的目的:

• 通过整体机器学习技术提高心脏病预测的准确性.
• 将堆叠和投票组合方法的性能与单个模型进行比较.
• 在使用可解释AI (XAI) 的模型预测中提供透明度.

主要方法:

• 在两个心脏病数据集上训练了15个基础机器学习模型.
• 开发了使用堆叠 (使用元模型) 和投票 (多数票) 的组合模型,使用六个选定的基准模型.
• 使用弗里德曼对齐等级测试和霍尔姆后期分析进行了统计验证;为XAI.纳入了SHAP.

主要成果:

• 整体模型,特别是堆叠模型,表现出比单个基本模型更优异的性能.
• 在心脏病分类中实现了更高的准确性和更好的预测结果.
• SHAP分析提供了有关特征对预测的影响的见解,提高了模型的可解释性.

结论:

• 堆叠和投票组合方法显著提高心脏病预测性能.
• 这些综合方法代表了心脏病学临床决策的宝贵工具.
• 可解释的AI集成增加了对基于机器学习的诊断工具的信任和理解.