基于超声心动图与危险因素的冠心病筛查集成机器学习方法
机器学习
2021-05-21 v1 机器学习
摘要
背景：大量临床证据表明，在较早阶段对冠心病（CHD）进行预防性筛查可大幅降低死亡率。我们使用64个二维斑点追踪超声心动图（2D-STE）特征和7个临床特征来预测个体是否患有冠心病。方法：我们开发了一种通过模型堆叠将多种流行分类方法集成在一起的机器学习方法，并将传统堆叠方法推广为两步堆叠方法以提升诊断性能。结果：通过所提方法从多个分类模型中借力，我们将测试集上的冠心病分类准确率从约70%提升至87.7%。该方法的灵敏度为0.903，特异度为0.843，AUC为0.904，显著高于各单独分类模型。结论：我们的工作为部署基于斑点追踪超声心动图的冠心病筛查工具奠定了基础。
引用
@article{arxiv.2105.09670,
title = {Ensemble machine learning approach for screening of coronary heart disease based on echocardiography and risk factors},
author = {Jingyi Zhang and Huolan Zhu and Yongkai Chen and Chenguang Yang and Huimin Cheng and Yi Li and Wenxuan Zhong and Fang Wang},
journal= {arXiv preprint arXiv:2105.09670},
year = {2021}
}
备注
30 pages, 5 figures, 5 tables