Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.
Methodenartikel
Dieses Protokoll beschreibt ein maschinelles Lernen zur Vorhersage von Herzkrankheiten, das Datenaugmentation mit generativen adversarialen Netzwerken, statistischer und metaheuristisch basierter Merkmalauswahl sowie erklärbarer künstlicher Intelligenz kombiniert.
Herzkrankheiten sind weltweit eine der Haupttodesursachen, weshalb ihre frühe Vorhersage eine wichtige klinische und rechnerische Frage ist. Mehrere Studien haben Herausforderungen wie Datenknappheit, Merkmalsauswahl und Modellinterpretierbarkeit einzeln behandelt, aber weniger Studien haben einen integrierten Rahmen vorgeschlagen, der diese Herausforderungen synergetisch adressiert. Dieses Papier präsentiert einen umfassenden prädiktiven Rahmen, der verwendet: (1) ein generatives adversariales Netzwerk (GAN) zur Bewältigung von Klassenungleichgewicht und Datenknappheit; (2) einen hybriden Ansatz zur Merkmalsauswahl, der statistische Vorfilterung mittels Welchs t.-Test und Cohens d-Effektgröße kombiniert, zusammen mit metaheuristischer Optimierung mittels Harris-Hawk-Optimierung; und (3) verschiedene erklärbare Methoden der künstlichen Intelligenz, darunter SHAP, partielle Abhängigkeitsdiagramme und Odds Ratios. Dieses Rahmenwerk wurde anhand der Cleveland- und Statlog-Datensätze bewertet und lieferte eine starke Genauigkeit, F1-Werte und ROC-AUC-Werte im Vergleich zu ausgewählten Baselines und bestehenden Methoden. Das Modell bietet einen robusten, interpretierbaren rechnergestützten Rahmen für die Vorhersage von Herzkrankheiten, der maschinelles Lernen mit klinischer Interpretierbarkeit verknüpft.
Herz-Kreislauf-Erkrankungen sind weltweit eine der Hauptursachen für Morbidität und Mortalität und verursachen schätzungsweise 17,9 Millionen Todesfälle pro Jahr1. Eine frühzeitige und genaue Vorhersage von Herzkrankheiten ist wichtig für rechtzeitige Interventionen und verbesserte Patientenergebnisse. In diesem Zusammenhang steht die Vorhersage von Herzkrankheiten mittels maschinellem Lernen (ML) vor drei Hauptherausforderungen: der begrenzten Verfügbarkeit hochwertiger medizinischer Daten, hochdimensionalen Merkmalsräumen mit redundanten oder irrelevanten Variablen und der Black-Box-Natur komplexer Modelle, d....
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Ethikerklärung, Datensatz, Software und Datenvorbereitung
Die Ergebnisse dieser Studie basierten auf dem Heart Disease Dataset des UCI Machine Learning Repository. Da es sich um eine öffentlich zugängliche und de-identifizierte Ressource handelt, erforderte ihre Nutzung keine ethische Genehmigung des Komitees. Die Autoren überprüfen außerdem die Originalität dieses Manuskripts und stellen fest, dass es zuvor nicht veröffentlicht oder bei anderen Fachzeitschriften eingereicht wurde.
Der Cleveland Heart Disease-Datensatz wurde in Trainings- und Testsets mit 80/20 aufgeteilt. Der Datensatz ....
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Experimentelle Umgebungen und Leistungskennzahlen
Alle Experimente wurden in Python 3.9 unter Verwendung von scikit-learn, TensorFlow und SHAP-Bibliotheken durchgeführt. Geschichtete 10-fache Kreuzvalidierung wurde eingesetzt. Die Bewertungskennzahlen umfassten Genauigkeit, Präzision, Rückruf, F1-Wert und ROC-AUC.
Leistungsvergleich mit ausgewählten Baseline-Methoden
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Das hier beschriebene Rahmenwerk bietet einen reproduzierbaren Ansatz zur Entwicklung interpretierbarer Modelle zur Vorhersage von Herzkrankheiten. Ein Prototyp eines klinischen Dashboards, das diese Erklärungen integriert, ist in Abbildung 4 dargestellt und implementiert einen dreistufigen Workflow: Pre-Screening, Entscheidungsunterstützung mit SHAP und Interventionsplanung [Abbildung 4 hier]. Mehrere kritische Schritte erfordern besondere Aufmerksamkeit, u.......
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Die Autoren haben keine Interessenkonflikte zu erklären.
Die Autoren erkennen die Unterstützung der Capital (Helwan) University und der Arab Open University für die Bereitstellung von Forschungseinrichtungen an. Diese Forschung erhielt keine spezifischen Fördermittel von Förderorganisationen im öffentlichen, kommerziellen oder gemeinnützigen Sektor.
....Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
| Name | Unternehmen | Katalognummer | Kommentare |
|---|---|---|---|
| Cleveland Herzkrankheitsdatensatz | UCI Machine Learning Repository | https://archive.ics.uci.edu/ml/datasets/heart+disease | Benchmark-Datensatz für Herzkrankheiten, der für Modellentwicklung/-evaluation verwendet wird |
| Django | Django Software Foundation | N/A | Alternatives Web-Framework für die Implementierung von Dashboards |
| fancyimpute | Fancy Impute Entwickler | N/A | Optionale MICE- und KNN-Imputationssensitivitätsanalyse |
| Flask | Palettenprojekte | N/A | Web-Framework für Dashboard-Implementierung |
| HL7/FHIR-API-Standard | HL7 International | N/A | Geplanter Standard für EHR/Dashboard-Integration |
| Keras | Keras-Entwickler | N/A | Neuronale Netzwerk-API, verwendet mit TensorFlow/Keras für die GAN-Architektur |
| matplotlib | Matplotlib-Entwickler | N/A | Plottbibliothek |
| MIMIC-III-Datenbank | PhysioNet | https://physionet.org/content/mimiciii/1.4/ | Datenbank der Intensivmedizin für geplante externe Validierung |
| missingno | missingno-Entwickler | N/A | Visualisierung der Fehlfunktionsmatrix |
| NumPy | NumPy-Entwickler | N/A | Numerische Berechnung |
| Pandas | Pandas-Entwickler | N/A | Datenmanipulation |
| PhysioNet | PhysioNet | https://physionet.org/ | Zugangsplattform/-quelle für MIMIC-III |
| Python | Python Software Foundation | N/A | Version 3.9/3.9.7 |
| scikit-learn | scikit-learn-Entwickler | N/A | Machine-Learning-Bibliothek, einschließlich Vorverarbeitung, Modelltraining, Kreuzvalidierung und Metriken |
| SciPy | SciPy-Entwickler | N/A | Statistische Tests, einschließlich Welch' s t-Test und Spearman-Korrelation |
| SHAP | SHAP-Entwickler | N/A | Erklärbare KI-Bibliothek |
| Statlog Herzkrankheitsdatensatz | UCI Machine Learning Repository | https://archive.ics.uci.edu/ml/datasets/statlog+(Herz) | Benchmark-Datensatz für Herzkrankheiten |
| TensorFlow | N/A | Deep-Learning-Framework für die GAN-Implementierung | |
| UCI Machine Learning Repository | Universität von Kalifornien, Irvine | https://archive.ics.uci.edu/ | Repository-Quellcode für Cleveland- und Statlog-Datensätze |