通过可解释的双向LSTM提高心脏病预测
Swati Lipsa1, Ranjan Kumar Dash1, Subhra Debdas2
1School of Computer Sciences, Odisha University of Technology and Research, Bhubaneswar, 751029, Odisha, India.
Scientific reports
|November 21, 2025
概括
这项研究引入了新的机器学习模型,用于使用双向LSTM和深度学习来早期检测心脏疾病. 这些可解释的模型显著提高了准确性,并有助于对ECG报告进行注释,以获得更好的患者结果.
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:
- 心血管疾病是全球主要的死亡原因.
- 早期发现和分类心脏病对于改善存活率至关重要.
- 使用机器学习来诊断心脏疾病需要准确和可解释的预测模型.
研究的目的:
- 为心脏疾病检测提出两种新型机器学习模型.
- 实施二进制和多标签分类模型来识别心脏病.
- 提高模型的可解释性,以便更好地解释ECG报告.
主要方法:
- 叠加双向长短期记忆 (LSTM) 与深度学习用于特征提取和分类.
- 在PTB-XL数据集上的模型的培训和验证.
- 使用SHAP (夏普利添加式扩展) 进行模型解释性.
主要成果:
- 与最先进的方法相比,提出的模型显示出更高的性能.
- 在心脏疾病分类中实现了高准确度,精度,f1得分和回忆.
- 通过可解释性,成功启用了ECG报告上的不同疾病的注释.
结论:
- 开发的双向LSTM和深度学习模型为准确检测心脏疾病提供了强大的工具.
- 可解释人工智能 (SHAP) 提高了ECG解释预测模型的临床实用性.
- 这种方法在改善心血管疾病诊断和患者护理方面具有重大潜力.
