基于联合集成策略的冠心病不良预后多标签预测模型研究

《Engineering Applications of Artificial Intelligence》：Multi-label learning research on joint ensemble strategies for predicting adverse prognosis in patients with coronary heart disease

本研究提出动态加权多标签集成特征选择（DWML-EFS）算法和多标签线性加权堆叠集成（MLLWSE）模型，通过信息论方法和图正则化技术解决冠心病（CHD）不良心脏事件（MACE）预测中特征选择与标签依赖性的关键问题。结合SHAP和LIME可解释性技术，实现了精准预测与临床决策支持的协同优化。

　　

亮点

本研究提出了一种联合集成策略，整合了用于多标签集成特征选择的DWML-EFS和用于多标签集成预测模型的MLLWSE，充分利用了基于集成的方法论。DWML-EFS算法通过结合多种特征选择技术并根据特定数据集和任务需求动态调整其权重，在处理具有复杂标签依赖性的数据集方面表现出色。MLLWSE通过结合图正则化和加速近端梯度下降来优化权重矩阵，有效捕捉标签相关性并保持计算效率。在多个基准数据集和真实世界冠心病数据集上的实验结果表明，所提出的方法在多个评估指标上均优于现有最先进的方法。此外，通过SHAP和LIME技术进行的可解释性分析为预测结果提供了透明且易于理解的解释，有助于临床决策。这些发现突显了该联合集成策略在提高冠心病不良预后多标签预测的准确性和可解释性方面的潜力。

结论

本研究提出了一种利用集成学习方法的联合集成策略。该策略包括DWML-EFS算法（一种基于信息论的动态加权多标签集成特征选择方法）和MLLWSE算法（一种用于标签预测的多标签线性加权堆叠集成方法）。在多标签基准数据集和真实世界冠心病数据集上的实验结果证明了所提出方法的优越性能。