可解释的转移学习与剩余注意力BiLSTM用于缺血性心脏病预后
Cenitta D1, Arul N2, Praveen Pai T1
1Manipal Institute of Technology, Manipal Academy of Higher Education, Manipal, India.
F1000Research
|November 11, 2025
概括
这项研究介绍了X-TLRABiLSTM,这是一种可解释的深度学习模型,用于预测缺血性心脏病 (IHD). 它实现了高准确性和公平性,解决了当前AI在不同人群中的局限性.
科学领域:
- 心血管疾病研究研究
- 医疗保健中的人工智能
- 生物医学信息学 生物医学信息学
背景情况:
- 早期缺血性心脏病 (IHD) 预测对于降低死亡率至关重要.
- 疾病预测的深度学习 (DL) 模型往往缺乏可解释性,可概括性和公平性.
- 这些局限性阻碍了临床采用,并可能加剧医疗保健差异.
研究的目的:
- 开发一种新的,可解释的深度学习模型,用于准确和公平的缺血性心脏病 (IHD) 预测.
- 提高模型透明度,减少预测中的人口偏见.
- 提高AI在心血管诊断中的可靠性和临床适用性.
主要方法:
- 拟议的X-TLRABiLSTM (基于可解释转移学习的剩余注意力双向LSTM) 模型.
- 集成的转移学习,残留注意力和双向LSTM用于时间特征提取.
- 员工SHAP用于特征贡献分析和人口重新权衡以获得公平性.
主要成果:
- 获得了98.2%的准确性,98.1%的F1得分和99.1%的AUC,表现优于基线模型.
- SHAP分析确定了关键预测因素,如胸痛类型和ST抑郁症.
- 在人口分组之间表现的差异很小 (F1得分差距≤0.6%).
结论:
- X-TLRABiLSTM为IHD预后提供了一个高度准确,可解释和公平的框架.
- 该模型通过可解释性和公平意识的优化,在医疗保健中推进可信赖的AI.
- 在伦理,人工智能辅助的心血管诊断中实现现实世界的整合潜力.
