CardioForest：一种用于心电图宽 QRS 波心动过速自动诊断的可解释集成学习模型
机器学习
2026-01-27 v2 人工智能
网络与互联网体系结构
摘要
本研究旨在开发并评估一个基于集成机器学习的框架，用于从心电图（ECG）信号中自动检测宽 QRS 波心动过速（WCT），并利用可解释人工智能（Explainable AI）强调诊断准确性和可解释性。所提出的系统集成了集成学习技术，即一种名为 CardioForest 的优化随机森林，以及 XGBoost 和 LightGBM 等模型。这些模型使用公开的 MIMIC-IV 数据集中的 ECG 数据进行训练和测试。测试借助准确率、平衡准确率、精确率、召回率、F1 分数、ROC-AUC 和误差率（RMSE、MAE）等指标进行。此外，使用 SHAP（SHapley Additive exPlanations）来确定模型的可解释性和临床相关性。CardioForest 模型在所有指标上表现最佳，测试准确率达到 95.19%，平衡准确率为 88.76%，精确率为 95.26%，召回率为 78.42%，ROC-AUC 为 0.8886。SHAP 分析证实了该模型能够根据临床直觉对最相关的 ECG 特征（如 QRS 时限）进行排序，从而在临床实践中培养信任和可用性。研究结果认定 CardioForest 是一个极其可靠且可解释的 WCT 检测模型。它能够通过可解释性提供准确的预测和透明度，使其成为帮助心脏病专家做出及时和明智诊断的宝贵工具，尤其是在高风险和紧急情况下。
引用
@article{arxiv.2509.25804,
title = {CardioForest: An Explainable Ensemble Learning Model for Automatic Wide QRS Complex Tachycardia Diagnosis from ECG},
author = {Vaskar Chakma and Ju Xiaolin and Heling Cao and Xue Feng and Ji Xiaodong and Pan Haiyan and Gao Zhan},
journal= {arXiv preprint arXiv:2509.25804},
year = {2026}
}