OptiSelect和EnShap:整合机器学习和游戏理论,用于预测缺血性中风

科学领域:

• 医疗信息学 医疗信息学
• 人工智能的人工智能
• 计算神经科学是一种神经科学.

背景情况:

• 预测缺血性中风仍然是医疗保健中的一个关键挑战.
• 机器学习模型提供了提高诊断准确性的潜力.
• 整合游戏理论可以在预测模型中增强特征重要性分析.

研究的目的:

• 研究从游戏理论中应用沙普利值来进行预测性缺血性脑中风分析.
• 评估各种机器学习模型在识别关键中风预测器方面的性能.
• 利用整体机器学习技术来提高预测准确度.

主要方法:

• 在多个机器学习模型 (逻辑回归,KNN,决策树,SVM,神经网络) 中使用偏好算法进行特征识别.
• 对预测性能的前3,4和5个特性进行评估.
• 沙普利值应用程序根据其前四个特征对模型进行排名.
• 组合方法应用于排名最高的模型进行最终预测.

主要成果:

• 确定对缺血性中风预测最有影响力的特征.
• 沙普利的价值分析提供了一个强大的方法来对机器学习模型进行排名.
• 使用最高排名的方法组合模型实现了92.39%的高精度.
• 综合方法显著超过单个模型的表现.

结论:

• 游戏理论,特别是沙普利值,是医学诊断中特征选择和模型解释的宝贵工具.
• 集成机器学习方法在缺血性中风分析中显著提高了预测准确性.
• 这项研究表明,游戏理论和机器学习之间存在强大的协同作用,用于临床决策支持.