使用混合TabNet架构进行心脏病预测,并使用堆叠集体学习
Rizwana Yasmeen1, Lal Khan2, Ahyoung Choi2
1Department of Computer Science, National University of Modern Languages (NUML), Islamabad, Pakistan.
Frontiers in physiology
|November 21, 2025
概括
这项研究引入了一种结合深度学习和基于树的方法来改善心血管疾病 (CVD) 风险预测的新型组合模型. 新的框架提高了早期检测的准确性,有助于临床决策.
科学领域:
- 计算生物学是一种计算生物学.
- 医疗信息学医学信息学
- 机器学习在医疗保健中的应用
背景情况:
- 心血管疾病 (CVD) 是全球主要的死亡原因.
- 目前的CVD预测工具由于数据噪声和适度准确性而面临限制.
- 早期发现心血管疾病对于有效的干预和患者的治疗结果至关重要.
研究的目的:
- 为增强心血管疾病风险预测开发一个先进的堆叠合体框架.
- 整合深度学习 (TabNet) 和基于树的 (XGBoost) 模型,以提高准确性和可解释性.
- 为临床医生提供一个更可靠的工具,用于早期发现心血管疾病.
主要方法:
- 开发了一个堆叠集体框架,集成TabNet和XGBoost.
- 后勤回归 (LR) 或支持向量机器 (SVM) 被用作meta-learner.
- 该模型在Kaggle和UCI CVD数据集上进行了评估.
主要成果:
- 拟议的整体模型表现出比基线模型更好的性能.
- 关键性能指标包括准确性,F1得分,精度,回忆,ROC-AUC,PR-AUC和MCC显著改善.
- 该框架成功地平衡了预测准确性和模型可解释性.
结论:
- 结合深度学习和基于树的模型,在心血管疾病风险预测方面取得了实际进展.
- 开发的整体框架支持临床医生在早期发现心血管疾病时做出更可靠的决定.
- 这种方法具有显著的潜力,可以改善患者在心血管健康方面的结果.
