心血管疾病诊断与预后的可解释机器学习框架
机器学习
2026-05-12 v2 人工智能
摘要
心血管疾病持续构成全球健康问题，尤其在医疗基础设施和诊断系统不足的地区。传统诊断方法往往难以准确检测和管理心血管疾病风险，导致不良结果。机器学习提供了一种强大的手段来提升心血管疾病预后和诊断的精度和可靠性。本研究我们引入了一个统一的方法，融合分类技术用于检测心血管疾病和回归技术用于预测相关风险。分析采用名为 Heart Disease 的数据集，其中包含 1,035 个实例。为缓解数据不平衡问题，我们实施了 SMOTE，生成 100,000 个额外合成样本。评估指标包括 F1 分数、召回率、精确率、准确率、MAE、RMSE、MSE 和 R2，用于评估模型性能。 among 分类算法，随机森林提供了最突出的结果，在实际数据上达到 0.972 的准确率，在人工生成数据上达到 0.976 的准确率。对于预测建模，无论是合成样本还是真实样本，线性回归在合成样本和真实样本上分别获得 R2 值为 0.992 和 0.984，并产生最小的测量误差。此外，采用可解释人工智能方法来提高模型结果的可理解性。本文强调了机器学习在心血管疾病诊断和风险估计方面的变革性能力，从而支持及时干预并增强临床环境。
引用
@article{arxiv.2507.11185,
title = {Explainable Machine Learning Framework for Cardiovascular Disease Diagnosis and Prognosis},
author = {Md. Emon Akter Sourov and Md. Sabbir Hossen and Pabon Shaha and Md. Moradul Siddique and Yadab Sutradhar and Md Sadiq Iqbal},
journal= {arXiv preprint arXiv:2507.11185},
year = {2026}
}
备注
This paper has been published at the IEEE SCSE 2026. The final version is available in the IEEE Xplore Digital Library. 2026 IEEE International Research Conference on Smart Computing and Systems Engineering, 2026