评估基于人工免疫系统演化的决策树集成在胸部X射线分类中的应用

《Electronics》：Evaluating an Artificial Immune System-Evolved Decision-Tree Ensemble for Chest X-Ray Classification

　　

摘要

从胸部X光图像中及时准确地分类肺部疾病仍然是重要的医疗挑战。机器学习和深度学习方法可以支持自动分类，但它们的评估可能会受到类别不平衡、特征冗余、数据集泄露和计算成本的影响。本文评估了一种基于人工免疫系统（AIS）进化的决策树集成方法，使用折特定的ResNet18特征。所有数据集内部实验均采用重复族感知的五折划分。在每一折中，标准化和自适应主成分分析（PCA）应用于训练特征，而合成少数类过采样技术（SMOTE）仅应用于降维后的训练数据。每个候选树根据袋外宏平均F1值分配一个亲和度。在主要运行中，数据集1-3的数据集内部平均宏平均F1分别为98.07%、99.48%和98.26%，探索性数据集4为96.66%。由于广泛的跨数据集图像重用和冲突的标签，数据集4不能提供临床肺癌检测的独立证据。一种五种子重复初始化分析重复了完整的折特定特征和分类流程，同时保留相同的折。AIS与预定义的静态比较器在各数据集上的平均宏平均F1差异，计算为AIS减去比较器，数据集1-4分别为、0.00、和个百分点。使用相同的符号约定，AIS与固定随机树集成之间的平均差异范围为到个百分点。群体诊断显示，进化提高了单树宏平均F1，但减少了成对不一致，没有一致的多数投票增益。从已解码图像到预测的中位延迟在单CPU线程上从38.86到61.20毫秒，在RTX 4090上从3.43到6.36毫秒。结果并未建立AIS进化在实践上重要或一致的预测优势。本研究提供了一个可重复和重复控制的框架，用于评估基于AIS的树集成。