一种用于心血管疾病早期预测的新型轻量级深度学习模型

《Frontiers in Artificial Intelligence》:A novel lightweight deep learning model for early prediction of cardiovascular disease

【字体: 大 中 小 】 时间:2026年05月20日 来源:Frontiers in Artificial Intelligence 4.7

编辑推荐:

  心血管疾病(Cardiovascular Disease, CVD)仍然是全球主要的死亡原因。因此,为了进行及时的临床干预,需要准确且可靠的早期风险预测模型。本研究开发了一种基于轻量级且强大的人工智能(Artificial Intelligence, AI)系

  
心血管疾病(Cardiovascular Disease, CVD)仍然是全球主要的死亡原因。因此,为了进行及时的临床干预,需要准确且可靠的早期风险预测模型。本研究开发了一种基于轻量级且强大的人工智能(Artificial Intelligence, AI)系统,利用临床数据进行CVD的早期预测。研究人员创建了一种端到端方法,包括数据预处理、分层训练与测试集划分,以及仅对训练集应用SMOTE(Synthetic Minority Over-sampling Technique,合成少数类过采样技术)处理类别不平衡,以确保无数据泄漏。研究系统地评估了一系列机器学习(Machine Learning, ML)和深度学习(Deep Learning, DL)模型,包括逻辑回归(Logistic Regression, LR)、决策树(Decision Tree, DT)、K近邻(K-Nearest Neighbors, KNN)、随机森林(Random Forest, RF)、支持向量机(Support Vector Machine, SVM)以及多种人工神经网络(Artificial Neural Network, ANN)架构。为了检验所提出模型的鲁棒性和泛化能力,研究人员进行了k折交叉验证程序,并使用准确率、精确率、召回率、F1分数和ROC曲线等评估矩阵以及统计指标(均值和标准差)报告性能度量。实验结果表明,经过微调的四层ANN产生了最佳的预测性能。尽管如此,与传统研究不同的是,该研究对模型的评估强有力地基于鲁棒验证和统计可靠性,而非仅仅基于准确率。
研究背景与问题:心血管疾病包括冠心病、脑血管疾病、风湿性心脏病及其他心脏疾病,是全球范围内导致死亡的主要原因之一。世界卫生组织2012年调查数据显示,全球有1750万人死于心脏病发作和脑卒中,超过75%的CVD死亡发生在发展中国家和欠发达国家,其中80%由心脏病发作和脑卒中造成。心力衰竭作为一种心脏无法正常泵血的病症,其症状包括呼吸短促、胸痛、体重异常变化、疲劳等,由高血压、高胆固醇等慢性疾病引起。由于多数人对心脏病严重性认识不足,常忽视症状或延误检查,导致早期心力衰竭与慢性症状相关。早期治疗心脏问题意味着更高的生存率、更少的药物使用和更少的停工时间。传统CVD识别主要依赖人工评估,存在识别不准确、主观性强、难以发现细微差异以及诊断时间长等问题。饮食、血压和血糖等风险因素的识别对健康结局至关重要,但鲜有综述评估饮食模式对心血管长期影响。尽管人工智能技术在疾病检测精度和速度方面有所改进,但多数早期研究使用机器学习技术预测疾病早期迹象,因数据结构复杂性,机器学习表现逊于深度学习;而深度学习方法虽更有效且具有更好泛化能力,但通常需要大量训练数据和计算资源。此外,现有研究存在验证协议不足、数据泄漏、缺乏外部验证以及统计证据不充分等突出问题,尤其是在过采样方法执行不当时易导致结果人为优化。

研究目标与方法:本研究旨在开发一种训练参数减少、高度准确的模型,以检测CVD的早期指标,为医学从业者提供早期识别工具。研究利用从Kaggle收集的公开数据集,该数据集包含14个特征共1000条记录,其中480例健康病例,520例含CVD体征病例。研究人员采用端到端方法,包括数据预处理、分层训练与测试集划分(比例0.80:0.20)、仅对训练集应用SMOTE处理类别不平衡以避免数据泄漏,并使用固定随机种子保证实验可重复性。数据预处理阶段采用均值/众数插补处理缺失值,使用Min-Max缩放进行特征标准化,移除患者ID后进行标签编码。在机器学习方面,评估了LR、DT、KNN、RF和SVM五种算法;在深度学习方面,探索了多种ANN架构,最终确定五层ANN(输入层、三个隐藏层和输出层),神经元配置为264-128-64,采用ReLU激活函数、Adam优化器、二元交叉熵损失函数,设置学习率0.001、批次大小16、Dropout率0.2、早停epoch为58。为验证模型鲁棒性,进行了10折交叉验证,并在UCI Cleveland数据集上测试泛化能力。

研究结果:机器学习模型结果方面,DT准确率为94.50%,精确率91.57%,召回率95.00%,F1分数93.25%;LR准确率为97.00%,精确率95.12%,召回率97.50%,F1分数96.29%;KNN准确率为95.00%,精确率94.87%,召回率92.50%,F1分数93.67%;SVM准确率为97.00%,精确率95.12%,召回率97.50%,F1分数96.30%;RF表现最优,准确率达98.50%,精确率98.73%,召回率97.50%,F1分数98.11%。深度学习模型结果方面,所提出的ANN架构在测试集上达到99.00%的准确率、100%的精确率、97.50%的召回率和98.73%的F1分数,超越所有基线机器学习模型及文献报道的最先进方法。与现有技术对比方面,前人研究中RF最高准确率为96%,MLP为94%,神经网络为92%,而本研究所提出ANN达到99%,RF基线模型达98.50%,均显著优于已有报道。SHAP(SHapley Additive exPlanations)特征分析显示各特征对模型决策的贡献度,ROC-AUC曲线表明模型具有优异的类别区分能力。在UCI Cleveland数据集上的外部验证通过配对t检验显示改进具有统计学显著性(p < 0.05)。

讨论与结论:研究讨论部分指出,在训练前使用SMOTE平衡数据集可减少对多数类的偏倚,原始数据集中480例正常病例与520例CVD病例的不平衡状况得到有效处理。研究评估了多种DL架构,包括ANN、RNN(Recurrent Neural Network,循环神经网络)、LSTM(Long Short-Term Memory,长短期记忆网络)和1D-CNN(一维卷积神经网络),发现复杂拓扑结构需要更多数据,而中等规模数据集更适合采用轻量级ANN方法。尽管所提出模型达到良好预测准确率,但其缺失数据处理方式依赖传统插补方法,未充分利用缺失模式中的临床意义信息。研究结论部分表明,通过结合多种ML技术和ANN,遵循包括数据处理、模型训练、结果评估与比较的组织化策略,所提出的ANN方法获得最高预测分数,证明了AI方法在CVD早期症状诊断中的效用。训练数据特性对选择有效ML或DL技术具有重要影响,需在方法选择前仔细分析。未来研究将扩大训练数据规模并平衡类别,探索基于DL的更深模型、集成学习方法及高级优化技术,同时考虑引入信息性缺失建模等先进缺失数据处理方法,以进一步提高模型性能和临床可解释性。数据集规模有限及SMOTE的使用可能限制泛化能力,更大规模数据集将在未来工作中加以考虑。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号