一种用于提升心血管疾病预测诊断准确性的优化PSO-PNN混合模型

《Algorithms》：An Optimized PSO-PNN Hybrid Model for Enhancing Diagnostic Accuracy in Cardiovascular Disease Prediction

　　

心血管疾病(CVD)是全球普遍存在的健康问题，需要准确的诊断方法以实现有效治疗。机器学习(ML)技术在CVD诊断中日益受到关注，现有部分ML模型借助手动超参数调优取得了良好结果，但手动调优繁琐且易导致诊断准确率波动。为构建提供稳定诊断的PSO调优分类器，研究人员提出一种鲁棒混合框架PSO-PNN，采用粒子群优化算法微调概率神经网络(PNN)的平滑参数σ。该框架可作为有效的CVD分类器，验证使用UCI Cleveland数据库的303例患者数据，结果显示PSO-PNN较基线PNN性能提升，准确率达91.3%，ROC-AUC为94.8%，召回率为95.24%，且在30次独立PSO执行中表现稳定；此外采用SHAP作为事后可解释性方法解释训练后PSO-PNN预测并识别输入特征贡献。该框架可支持未来CVD预测决策支持应用，但临床实用前仍需外部验证。

研究背景方面，心血管疾病(CVD)居全球死因首位，WHO估计年死亡约1980万例，沙特等国死亡率达37%–42%，先天心脏病亦影响约8‰活产儿。传统统计与临床评分无法充分刻画医学数据中的复杂非线性关系，而支持向量机(SVM)、k近邻(KNN)、随机森林(Random Forest)及XGBoost等机器学习模型虽有效，却受参数敏感、尺度依赖及小样本过拟合限制。概率神经网络(PNN)基于Parzen窗密度估计与贝叶斯最大后验决策，其性能高度依赖单一平滑参数σ（控制高斯核宽），手动选σ繁琐且波动大。因此研究人员提出以粒子群优化(PSO)自动调σ、互信息(MI)选特征、SHAP作事后解释的PSO-PNN统一流水线，在UCI Cleveland 303例队列上开展研究。论文发表于《Algorithms》。

关键技术方法上，研究人员采用UCI Heart Disease（Cleveland Clinic Foundation子集）303例真实临床记录，经均值/众数填补、独热编码、二值化目标、StandardScaler标准化与分层拆分（70%训练、15%验证、15%测试，种子42）；以互信息(MI)排名选取8特征（age、cp、thalach、exang、oldpeak、slope、ca、thal）；基线PNN用高斯核估计类条件密度，PSO（种群20、迭代30、w=0.7、c₁=c₂=1.5、σ∈[0.01,3.0]）以验证集误分类率为适应度搜最优σ；最终以SHAP蜜蜂图解释特征贡献。

研究结果部分，各节结论如下：基线模型比较显示Logistic Regression、SVM(RBF)、Random Forest与基线PNN精度0.8913，XGBoost 0.8478，LightGBM 0.7826，基线PNN召回偏低；PSO-PNN混合模型结果中PSO搜得σ≈1.7714，测试集精度91.30%、召回95.24%、ROC-AUC 94.86%，较基线PNN假阴性由3降至1，30次独立运行σ均值1.6327±0.2904、召回恒为0.9524、ROC-AUC均值0.9413±0.0149，证明调参稳定；综合模型比较中PSO-PNN在精度、F1、ROC-AUC与召回均居首；PNN vs PSO-PNN影响分析表明PSO调σ使召回+9.53 pp、ROC-AUC +3.62 pp、F1 +3.11 pp、精度+2.17 pp，特异度维持88.00%；分层10折交叉验证PSO-PNN均值精度84.45%、召回76.92%，方差低于基线PNN；计算效率上PSO平均耗时3.87±1.69 s，单例预测0.0949±0.0074 ms，模型内存23.20 KB，随样本增加可扩展。SHAP分析指出thal与cp为高贡献特征，thalach低值推高患病概率，与临床认知一致。

讨论部分，研究人员指出PSO自动搜σ克服手动试错，召回提升具临床意义（减少漏诊致死风险）；PSO-PNN与Chandrasekhar等软投票集成93.44%、Shrestha等XGBoost结果可比，但跨研究数值比较须谨慎因预处理与验证协议异质；局限在于仅调σ单目标、UCI样本小、PNN内存随训练集线性增长，未来可扩至多目标同时优σ与特征、换RFE/LASSO对比、接多中心队列与外部验证方可临床部署。

结论部分翻译：本研究设计混合框架以提升CVD预测性能，将粒子群优化(PSO)与概率神经网络(PNN)结合，通过PSO动态优σ应对PNN对平滑参数敏感之弊。实验得测试集精度91.3%、ROC-AUC 94.8%、召回95.24%；分层10折交叉验证均值精度84.45%、召回76.92%，提供更保守评估。SHAP事后解释揭示特征贡献与临床一致。该PSO-PNN相较基线在灵敏度与稳定性具竞争力，漏诊减少，未来需外部多中心验证方利临床决策支持。