基于 Explainable SHAP-Guided Feature Selection 与 Classification 提升尿路疾病诊断准确性
机器学习
2025-10-24 v1
摘要
本文提出了一种支持尿路疾病诊断的方法，尤其聚焦于膀胱癌，使用基于 SHAP（SHapley Additive exPlanations）的特征选择来增强预测模型的透明度和效果。开发了六个二元分类情景，用于区分膀胱癌与其他泌尿和肿瘤学条件。采用 XGBoost、LightGBM 和 CatBoost 算法，分别使用 Optuna 进行 hyperparameter 优化，并通过 SMOTE 技术进行类别平衡处理。预测变量的选择由 SHAP 基于特征重要性值引导，同时保持甚至提升诸如平衡准确率、精确率和特异度等性能指标。使用解释性技术（SHAP）进行特征选择被证明是一种有效的方法。该提出的方法可能有助于开发更透明、可靠和高效的临床决策支持系统，优化尿路疾病的筛查和早期诊断。
引用
@article{arxiv.2510.19896,
title = {Enhancing Diagnostic Accuracy for Urinary Tract Disease through Explainable SHAP-Guided Feature Selection and Classification},
author = {Filipe Ferreira de Oliveira and Matheus Becali Rocha and Renato A. Krohling},
journal= {arXiv preprint arXiv:2510.19896},
year = {2025}
}