Easydiagnos：用于智慧医疗自动诊断的精确特征选择框架
机器学习
2024-10-02 v1 人工智能
摘要
人工智能（AI）的快速发展彻底改变了智慧医疗，推动了可穿戴技术、持续监测设备和智能诊断系统的创新。然而，安全性、可解释性、鲁棒性和性能优化方面的挑战仍然是其在临床环境中广泛采用的关键障碍。本研究提出了一种创新的算法方法，使用自适应特征评估器（AFE）算法来改进医疗数据集中的特征选择并克服问题。AFE集成了遗传算法（GA）、可解释人工智能（XAI）和排列组合技术（PCT），该算法优化了临床决策支持系统（CDSS），从而提高了预测准确性和可解释性。所提出的方法使用六种不同的机器学习算法在三个不同的医疗数据集上进行了验证，证明了其相对于传统特征选择技术的鲁棒性和优越性。结果强调了AFE在智慧医疗中的变革潜力，能够实现个性化和透明的患者护理。值得注意的是，AFE算法与多层感知器（MLP）结合使用时，准确率高达98.5%，突显了其在现实医疗应用中改进临床决策过程的能力。
引用
@article{arxiv.2410.00366,
title = {Easydiagnos: a framework for accurate feature selection for automatic diagnosis in smart healthcare},
author = {Prasenjit Maji and Amit Kumar Mondal and Hemanta Kumar Mondal and Saraju P. Mohanty},
journal= {arXiv preprint arXiv:2410.00366},
year = {2024}
}