Přejít k hlavnímu obsahu

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Enhancing Cardiovascular Risk Assessment with Advanced Data Balancing and Domain Knowledge-driven Explainability
Autoři: Yang Fan | Qiao Yanan | Hájek Petr | Abedin Mohammad Zoynul
Rok: 2024
Druh publikace: článek v odborném periodiku
Název zdroje: Expert Systems with Applications
Název nakladatele: Pergamon-Elsevier Science Ltd.
Místo vydání: Oxford
Strana od-do: nestránkováno
Tituly:
Jazyk Název Abstrakt Klíčová slova
cze Zlepšení hodnocení kardiovaskulárního rizika pomocí pokročilého vyvážení dat a vysvětlitelnosti řízené odbornými znalostmi V predikci zdravotních rizik, například u srdečních onemocnění, musí klasifikátory strojového učení (ML) dosahovat vysoké přesnosti, preciznosti a citlivosti, aby se minimalizovalo riziko chybných diagnóz nebo doporučení léčby. Reálné datové sady však často obsahují nevyvážená data, což může negativně ovlivnit výkonnost klasifikátorů. Tradiční metody vyvažování dat mohou vést k přeučení nebo nedostatečnému naučení modelu, což znesnadňuje přesnou identifikaci potenciálních zdravotních rizik. Včasná predikce infarktů má zásadní význam a vědci vyvinuli systémy založené na ML, aby tento problém řešili. Většina stávajícího výzkumu však spoléhá na jedinou datovou sadu a často opomíjí hodnocení výkonnosti na více datových sadách. Se zvyšující se poptávkou po interpretovatelných modelech ML nabývá vysvětlitelnost modelů na významu, protože poskytuje vhledy do vlivů jednotlivých vlastností v predikčních modelech. Abychom tyto výzvy překonali, představujeme novou techniku vyvažování dat, která využívá strategii divide-and-conquer s algoritmem K-means k segmentaci datové sady. Výkonnost našeho přístupu je zdůrazněna prostřednictvím srovnání s osvědčenými technikami, které demonstrují nadřazenost navrhované metody. Abychom řešili výzvu diskrepancí mezi datovými sadami, používáme dvě různé datové sady. Naše komplexní pipeline, posílená inovativní technikou vyvažování dat, efektivně řeší problémy s výkonností, což vede k významnému zlepšení z 81 % na 90 %. Dále pokročilá statistická analýza stanovila, že 95% interval spolehlivosti pro metriky AUC našeho přístupu se pohybuje mezi 0,8187 a 0,8411. Tato skutečnost podtrhuje konzistenci a spolehlivost našeho přístupu a demonstruje jeho schopnost dosahovat vysoké výkonnosti v různých scénářích. Začleněním vysvětlitelného AI (XAI) zkoumáme hodnocení vlastností a jejich přínos v nejlépe fungujícím modelu Random Forest. Zatímco zpětná vazba od odborníků na danou oblast je konzistentní s vysvětlovací schopností XAI, zůstávají některé rozd Riziko nemoci srdce; Balancování dat; Nevyrovnanost výkonnosti; Vysvětlitelnost; Expertní systém; Doménová znalost
eng Enhancing Cardiovascular Risk Assessment with Advanced Data Balancing and Domain Knowledge-driven Explainability In medical risk prediction, such as predicting heart disease, machine learning (ML) classifiers must achieve high accuracy, precision, and recall to minimize the chances of incorrect diagnoses or treatment recommendations. However, real-world datasets often have imbalanced data, which can affect classifier performance. Traditional data balancing methods can lead to overfitting and underfitting, making it difficult to identify potential health risks accurately. Early prediction of heart attacks is of paramount importance, and researchers have developed ML-based systems to address this problem. However, much of the existing ML research is based on a single dataset, often ignoring performance evaluation across multiple datasets. As the demand for interpretable ML models grows, model interpretability becomes central to revealing insights and feature effects within predictive models. To address these challenges, we present a novel data balancing technique that uses a divide-and- conquer strategy with the K-Means clustering algorithm to segment the dataset. The performance of our approach is highlighted through comparisons with established techniques, which demonstrate the superiority of our proposed method. To address the challenge of inter-dataset discrepancies, we use two different datasets. Our holistic pipeline, strengthened by the innovative balancing technique, effectively addresses performance discrepancies, culminating in a significant improvement from 81% to 90%. Furthermore, through advanced statistical analysis, it has been determined that the 95% confidence interval for the AUC metric of our method ranges from 0.8187 to 0.8411. This observation serves to underscore the consistency and reliability of our approach, demonstrating its ability to achieve high performance across a range of scenarios. Incorporating Explainable AI (XAI), we examine the feature rankings and their contributions within the best performing Random Forest model. While the domain expert fee Heart disease risk; Data balancing; Performance discrepancy; Explainability; Expert system; Domain knowledge