堆叠合体模型与可解释的AI用于早期检测心脏病

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 心脏病 (HD) 仍然是全球主要的死亡原因.
• 由于非特异性症状和不清楚的预测模型,早期检测HD具有挑战性.

研究的目的:

• 开发一个高度准确和可解释的机器学习模型,用于早期发现心脏病.
• 加强对心脏病风险评估的临床决策支持系统.

主要方法:

• 开发了一种两层堆叠组合模型,将支持矢量机,K-最近邻居,天真贝叶和决策树基础学习者与后勤回归作为meta-learner结合起来.
• 组合是从五个公共心脏病数据集中的平衡样本中训练的.
• 全球和本地可解释的人工智能 (XAI) 技术,包括SHAP和LIME,用于模型可解释性.

主要成果:

• 拟议的整体模型实现了高性能,93.69%的准确性,93%的F1得分和94.7%的AUC.
• 可解释性方法确定ST斜率和胸痛类型是心脏病的关键预测因素.
• 该模型表现出强大的预测能力,并通过各种XAI可视化提供了临床相关的见解.

结论:

• 开发的整体模型为心脏病风险评估提供了强大的和可解释的方法.
• 将高级机器学习与XAI集成,可以显著提高诊断工具的准确性和临床实用性.
• 这一框架支持更好的以患者为中心的护理和医疗保健决策中的可审计性.