.png){kind=icon}
返回
Enhancing heart disease prediction using genetic algorithm-based ensemble learning with explainable AI
.png){kind=icon}
PRE
AI
DOI：10.1088/2631-8695/ae6f88.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
心脏病是导致全球死亡的主要原因之一。尽管现有的技术如遗传算法-支持向量机（GA-SVM）非常准确，但它们难以解释，并且不能跨不同数据集使用。本文提出了一种新的GA-可解释人工智能（XAI）集成框架，包括遗传算法特征选择与SVM、随机森林和极端梯度提升的异构集成。最终决策通过堆叠元分类器获得，以最小化方差和偏差。XAI算法（Shapley加性解释和局部可解释模型无关解释）也被添加以提高临床可用性，从而揭示特征的作用。该模型在Kaggle心血管疾病数据集上进行了测试，该数据集包含超过70 000条患者记录。实验结果表明，所提出的GA-XAI集成达到了99.1%的准确率、98.7%的F1分数和0.991的曲线下面积，优于现有的基于GA-SVM的方法。此外，胸痛类型以及thalach和血清胆固醇是在可解释性分析中强调的最显著特征。该方法提供了更强的预测能力和临床有意义的信息，并且应作为医疗决策支持系统的一部分在实践中实施。
Keyword:
heart disease prediction
genetic algorithm (GA)
explainable artificial intelligence (XAI)
random forest (RF)
extreme gradient boosting (XGBoost)
stacking meta-classifier
clinical decision support system
