使用深度学习的慢性肝病分类与SHAP优化的混合特性.

科学领域:

• 肝病学 肝病学是一种肝病学.
• 医疗信息学 医疗信息学
• 人工智能在医学中的应用

背景情况:

• 肝脏疾病存在重大健康风险,需要及时准确的诊断才能有效治疗.
• 机器学习 (ML),特别是深度学习,在开发用于疾病预测的先进诊断工具方面表现有前途.
• 目前的诊断方法可以通过更准确,更有效的预测能力来改进.

研究的目的:

• 开发和评估一种新的预测框架,用于使用深度神经网络 (DNN) 准确检测肝病.
• 在DNN框架内集成特征排名和基于投影的算法,以提高预测性能.
• 通过应用夏普利添加式解释 (SHAP) 来识别关键预测特征来提高模型的解释性.

主要方法:

• 一个深度神经网络 (DNN) 模型被开发用于肝脏疾病的预测.
• 功能排名和基于投影的算法被整合到DNN框架中.
• 沙普利添加式解释 (SHAP) 用于模型解释性和特征重要性分析.
• 该模型的性能使用10倍交叉验证进行了验证.

主要成果:

• 拟议的DNN模型在10倍交叉验证下实现了92.50%的平均准确性 (ACC).
• 与传统的ML算法和现有的最先进的方法相比,DNN模型显示出更高的性能.
• SHAP分析成功地确定了影响肝病预测的有影响力的特征.

结论:

• 新的DNN框架为肝病检测提供了一个高度准确和可解释的方法.
• 这些发现表明,改善诊断准确度和支持早期干预策略的巨大潜力.
• 这种基于ML的方法可以通过更有效的肝脏疾病管理来提高患者的治疗结果.