一种具有自适应特征重校准和基于置信度的集成方法的多视图自动编码器架构，用于心脏病分类

《Scientific Reports》：A multi-view autoencoder architecture with self-adaptive feature recalibration and confidence-aware ensemble for heart disease classification

　　

摘要

心脏病继续对全球健康构成重大挑战，这凸显了开发早期、准确预测模型的必要性。在这项研究中，我们提出了一个全新的混合智能框架，旨在显著提升心脏病的分类能力。我们的方法结合了多视图深度特征提取、自适应特征重校准和动态集成学习，以提供更可靠的预测结果。该过程首先使用多视图自动编码器分别从人口统计学数据、临床数据和诊断数据中提取潜在特征。这种分离方式保留了每种数据类型所独有的信息，从而生成更丰富、更有意义的特征表示。接下来，我们应用了一种自适应特征重校准机制，根据数据本身为每个特征分配重要性权重，确保具有更强临床相关性的特征在模型决策中发挥更大作用。最后，我们整合了三种强大的分类器（Extra Trees、Random Forest 和 XGBoost）组成的集成系统，并根据它们在实例层面的置信度动态调整各自的影响。我们在五个知名的心脏病数据集上测试了该框架，采用 10 折交叉验证来确保其鲁棒性。测试结果显示：该模型的准确率为 92.45%，灵敏度为 93.2%，特异性为 91.4%，F1 分数为 91.4%。它始终优于传统的机器学习方法、最近的混合集成模型，甚至是最先进的深度学习模型（如 TabNet、SAINT、NODE 和 TabTransformer）。通过 Friedman 和 Wilcoxon 符号秩检验确认了统计显著性（p < 0.001）。为支持模型的可解释性，我们使用了 SHAP 分析，该分析突出了关键的医学预测因素，如胸痛类型、主要血管数量和 ST 段压降。总之，我们的研究表明，将多视图表示学习与自适应特征重校准和动态集成策略相结合，可以开发出一种高效、可解释且具有临床实用性的早期心脏病预测工具。这一框架在集成到智能临床决策支持系统中具有巨大潜力，未来的研究将致力于在更大规模、更多样化的患者群体中验证其有效性。注：本研究不涉及临床试验或任何前瞻性人体实验。