一种基于混合元启发式优化和机器学习框架的智能医疗心血管疾病预测系统

《Scientific Reports》：A hybrid metaheuristic optimization and machine learning framework for smart healthcare based cardiovascular disease prediction

　　

摘要

心血管疾病（CVDs），尤其是心脏病发作，仍然是全球最严重的公共卫生挑战之一，每年导致数百万人死亡，并给世界各地的医疗系统带来巨大压力。因此，尽早识别高风险人群对于及时干预和改善临床结果至关重要。近年来，机器学习（ML）作为一种有前景的工具，通过分析复杂的临床和生活方式数据来支持医疗决策。然而，ML模型的预测效果往往受到冗余、无关或噪声特征的制约，这些因素会降低模型精度、增加计算复杂性并阻碍模型的可解释性。为了解决这些问题，本研究提出了一种基于优化驱动的特征选择框架，以提高基于ML的心脏病诊断系统的预测性能。该框架系统地将元启发式优化算法与传统的ML分类器相结合，从心血管数据集中识别出最具信息量的特征子集。研究使用了两个广泛使用的基准数据集——CVD数据集和心脏病发作数据集来评估该框架的有效性。实验中考察了六种先进的元启发式优化算法，包括蝙蝠算法（BA）、鲸鱼优化算法（WOA）、Jaya算法（JA）、粒子群优化算法（PSO）、萤火虫算法（FA）和花朵授粉算法（FPA）。利用优化后的特征子集，研究人员进一步评估了三种成熟的ML分类器：K-近邻算法（KNN）、朴素贝叶斯算法（NB）和决策树算法（DT）。实验结果表明，与使用全部特征空间训练的基线模型相比，集成元启发式特征选择显著提高了分类性能。在所有评估的优化方法中，Jaya算法在两个数据集上都 consistently 提出了最有效的特征子集，并取得了最高的预测性能。特别是在CVD数据集上，基于Jaya算法的模型分类准确率达到了98.0%，在心脏病发作数据集上达到了93.4%，优于其他优化策略和传统的ML模型。为了展示其实际应用性，开发的预测模型被集成到一个移动应用程序中，该应用程序可以根据用户提供的健康信息进行初步的心脏风险评估。通过结合优化的特征选择、基于ML的预测以及移动医疗界面，该系统提供了一种可扩展且易于使用的早期心血管风险筛查解决方案。总体而言，研究表明，元启发式驱动的特征优化能够显著提升基于ML的心血管疾病预测系统的可靠性和准确性，从而推动了新兴的医疗4.0生态系统中的智能诊断技术发展。