《Franklin Open》:A hybrid approach for early anticipation of brain stroke using ensemble learning
编辑推荐:
摘要:脑卒中(Stroke/Brain Stroke)是全球致死率和长期致残率的主要原因之一,因此早期风险评估对于有效的临床干预至关重要。将早期预测系统引入脑卒中防治有助于预防其致命后果。本研究旨在利用患者特征调查数据集,寻找基于机器学习(Machine Le
摘要:脑卒中(Stroke/Brain Stroke)是全球致死率和长期致残率的主要原因之一,因此早期风险评估对于有效的临床干预至关重要。将早期预测系统引入脑卒中防治有助于预防其致命后果。本研究旨在利用患者特征调查数据集,寻找基于机器学习(Machine Learning, ML)的稳健模型以实现脑卒中的早期预测。研究人员使用含67项患者特征的 dataset 训练了五种机器学习模型,并基于准确率(Accuracy)、召回率(Recall)、精确率(Precision)和曲线下面积(Area Under the Curve, AUC)等指标进行测试评估。所提出的基于加权投票(Weighted Voting)的集成方法取得了出色的性能,准确率达99.3%,召回率99.1%,精确率99.4%,AUC值99.3%。结果表明该方法在识别脑卒中高危个体方面高度有效,凸显了集成学习在脑卒中早期预测中的潜力。未来可通过融合医学影像等多模态数据进一步提升模型性能。
论文解读:《A hybrid approach for early anticipation of brain stroke using ensemble learning》发表于《Franklin Open》
一、研究背景与意义
脑卒中(Stroke/Brain Stroke)是WHO认定的第二大死亡原因及第三大"死亡+残疾"合并负担病因,其中缺血性卒中占约85%。尽管医学进步,1990—2019年全球卒中发病率与死亡率仍分别上升70%和43%。传统可干预危险因素包括高血压、吸烟、饮食及缺乏运动,不可干预因素含年龄、性别、种族。已有研究表明机器学习(Machine Learning, ML)可辅助多种疾病早期诊断,但在脑卒中预测领域仍存在类别不平衡(Class Imbalance)处理不充分、模型可解释性不足及系统性验证缺失等问题。既往单独分类器或常规集成方法在严重不平衡数据集上泛化能力受限,故研究人员开展此项基于加权投票(Weighted Voting)集成学习的研究,以提升预测鲁棒性与临床可解释性。
二、主要关键技术方法
研究人员使用源自Dataworld的2017年纽约患者特征调查数据集(n=187,192,67个特征,阳性率约1.37%)。预处理阶段剔除"Survey year"与"Three Digit Residence Zip Code",对含"Unknown"值的列以众数(Mode Imputation)填补,"Stroke"列值为"Unknown"的行予以删除;对分类变量进行独热编码(One-Hot Encoding)。针对严重类别不平衡采用合成少数类过采样技术(Synthetic Minority Over-sampling Technique, SMOTE)使正负类均衡。按7:3划分训练集与测试集,以分层十折交叉验证(Stratified 10-Fold Cross-Validation)评估。基分类器为极限随机树(Extra Trees, ET, max_depth=100)与轻量级梯度提升机(Light Gradient Boosting Machine, LightGBM, max_depth=15, n_estimators=100),融合策略对比软投票(Soft Voting)、硬投票(Hard Voting)及加权投票(ET权重0.7,LightGBM权重0.3)。模型可解释性通过SHapley Additive exPlanations(SHAP)分析。性能评价指标含准确率(Accuracy)、召回率(Recall/Sensitivity)、精确率(Precision)、F1分数(F1-score)、AUC及混淆矩阵(Confusion Matrix)。
三、研究结果
3.1 模型性能对比结果
研究人员分别训练线性回归(Linear Regression)、Extra Trees、LightGBM、软投票、硬投票及加权投票(Proposed Method)六类模型。加权投票法取得最优综合表现:准确率99.3%、召回率99.1%、精确率99.4%、F1分数99.3%、AUC 99.3%;Extra Trees次之(准确率99.2%,AUC 99.2%)。LightGBM与软投票法低于99%。表明加权融合法优于单一基学习器及常规投票集成。
3.2 混淆矩阵分析
由混淆矩阵可知,加权投票法假阴性(False Negative, FN)=283例,少于Extra Trees的FN=298例。真阳性(True Positive, TP)加权投票法为47,445例,Extra Trees为47,451例。在脑卒中预测这类关键医疗场景中,降低FN(漏诊卒中患者)至关重要,加权投票在此具优势。
3.3 不同采样技术影响
对比SMOTE与自适应合成采样(Adaptive Synthetic Sampling, ADASYN),SMOTE下准确率99.3%、F1分数99.3%略高于ADASYN(99.2%/99.2%),其余指标持平,且SMOTE计算开销更低,故选用SMOTE处理类别不平衡。
3.4 缺失值填充策略影响
比较众数填充与将"Unknown"作为独立类别两种策略,两者在加权投票模型上的各项性能指标完全一致(准确率99.3%,AUC 99.3%等),最终采用众数填充。
3.5 SHAP可解释性分析
SHAP摘要图显示"其他慢性病(Other Chronic Med Conditions)"、"服务地区为纽约市(Region served: NYC)"、"癌症(Cancer)"为主要驱动特征。临床预期危险因素如肥胖(Obesity)、癌症、高血压(High Blood Pressure)具正SHAP值——升高卒中预测概率;儿童年龄段(Child Age Group)及部分"其他慢性病"标志呈负SHAP值——降低风险预测,符合临床认知。
3.6 与现有研究对比
相较已发表工作中最高精度为随机森林结合递归特征消除(Recursive Feature Elimination, RFE)达99.0%,本研究的加权投票集成法以99.3%准确率超越既有文献报道结果。
四、讨论与结论翻译
讨论指出:数据集局限于2017年纽约特定人群可能存在抽样偏差;未纳入磁共振成像(Magnetic Resonance Imaging, MRI)等影像模态限制模型信息维度;SHAP解释为模型依赖且不证明真实因果关联;未进行多中心外部验证影响外推性。结论如下:脑卒中若未及时救治可致致命后果,引入机器学习可实现早期预警从而降低死亡率。本研究提出基于加权投票的集成方法取得99.3%准确率、99.1%召回率、99.4%精确率、99.3% F1分数及99.3% AUC,集成可解释性方法(SHAP)进一步增强了模型的临床相关性。该研究为可解释人工智能(eXplainable Artificial Intelligence, XAI)在医疗领域的应用提供了支撑,强调临床决策支持系统(Clinical Decision Support System, CDSS)中透明、可复现机器学习流程之必要性。未来可通过融合智能医疗系统与影像数据进一步提升性能与实用性。