HMLA:一种混合机器学习方法,用于增强缺少数据归算技术的中风预测模型.
M Sheetal Singh1, Khelchandra Thongam1, Krishna Kumar2
1Computer Science and Engineering Department, NIT Manipur, Langol, Imphal, 795004, Manipur, India.
Scientific reports
|December 20, 2025
概括
本研究引入了一种混合机器学习模型,将信息获取比率 (IGR),K-近邻 (KNN) 和深度神经网络 (DNN) 结合起来,以准确预测中风风险. 这种新的方法提高了数据完整性和计算效率,用于早期检测.
科学领域:
- 生物医学信息学 生物医学信息学
- 医疗保健中的机器学习
- 心血管研究研究心血管研究
背景情况:
- 早期预测中风对于减少死亡率和残疾至关重要.
- 临床数据集往往包含不相关和稀疏的信息,阻碍了预测模型的性能.
- 现有的方法可能会在数据完整性和计算效率方面扎.
研究的目的:
- 利用心血管健康研究 (CHS) 数据集开发和评估一种用于预测中风风险的新型机器学习框架.
- 通过整合特征选择和缺失数据归算技术来增强数据预处理.
- 评估拟议的混合模型的预测性能和计算效率.
主要方法:
- 使用信息获取比率 (IGR) 进行预处理的特征选择.
- 使用K-Nearest Neighbour (KNN) 的缺失数据归算和数据完整性增强.
- 使用深度神经网络 (DNN) 模型进行中风风险分类.
- 通过10倍嵌套交叉验证方案进行模型验证.
主要成果:
- 混合IGR-KNN-DNN框架实现了高性能指标:94.32%的准确性,95.96%的精度,95.00%的F1得分,94.67%的特异性和94.06%的灵敏度.
- 该方法展示了强大的预测潜力和计算效率.
- 与经典方法的比较证实了该模型的有效性.
结论:
- 混合IGR-KNN-DNN框架显示了早期中风风险评估的重大前景.
- 该模型的预处理步骤提高了数据完整性和计算效率.
- 建议进行进一步的外部验证,以扩大临床适用性.
