.png){kind=icon}
返回
Automatic Feature Selection for Imbalanced Echocardiogram Data Using Event-Based Self-Similarity
.png){kind=icon}
OA
AI
DOI：10.3390/diagnostics15080976.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
背景与目的：使用超声心动图数据诊断心血管疾病（CVD）可能因数据集不平衡导致困难，进而产生偏差预测。机器学习模型可提升预后准确性，但其有效性受最优特征选择和稳健分类技术的影响。本研究引入基于事件的自我相似性方法，以增强不平衡超声心动图数据的自动特征选择。通过利用自我相似性模式，识别出与疾病进展相关的关键特征。本研究采用超声心动图数据集、高频声波信号的可视化呈现，以及三年内接受三种治疗方式（导管消融、心室除颤器和药物控制）的心脏病患者数据。方法：将数据集分为九个类别，并应用递归特征消除（RFE）识别最相关特征，在降低模型复杂度的同时保持诊断准确率。训练并评估了包括XGBoost和CATBoost在内的机器学习分类模型。结果：在不同归一化技术下，两种模型的准确率分别为84.3%和88.4%，表现相近。为进一步优化性能，将模型组合为投票集成，提高了特征选择和预测准确率。识别出四个关键特征—年龄、主动脉（AO）、左心室（LV）和左心房（LA）—对预后至关重要，并在随机森林（RF）-投票集成分类器中得到体现。结果表明，特征选择技术在处理不平衡数据集、提升分类稳健性和减少自动化预后系统偏差方面具有重要意义。结论：本研究发现凸显了机器学习驱动的超声心动图分析在提供准确、数据驱动评估以改善患者护理方面的潜力。
Keyword:
cardiovascular disease
classification
echocardiogram
feature selection
machine learning
voting ensemble
期刊
IF:
3.3
论文数:
2.0W
被引数:
3.6W
机构
引用论文
Effect of the random forests with recursive feature elimination for breast cancer classification基于递归特征消除的随机森林在乳腺癌分类中的效果
PREAI
分享收藏Machine Learning Applied to Support Medical Decision in Transthoracic Echocardiogram Exams: A Systematic Review机器学习在支持经胸超声心动图检查中的医学决策应用：一项系统综述
PREAI
分享收藏Artificial intelligence in echocardiography: detection, functional evaluation, and disease diagnosisOAAI
OAAI分享收藏XAI-Augmented Voting Ensemble Models for Heart Disease Prediction: A SHAP and LIME-Based Approach.png)
BIOENGINEERING-BASEL
OAAI
BIOENGINEERING-BASELIF3.7
OAAI分享收藏Predicting Lung Cancer using XGBoost and other Ensemble Learning Models使用XGBoost和其他集成学习模型预测肺癌2023 14th International Conference on Computing Communication and Networking Technologies (ICCCNT)
2023 14th International Conference on Computing Communication and Networking Technologies (ICCCNT)IF0
PREAI
分享收藏
查看更多内容