基于表格数据的梯度提升决策树在医学诊断中的应用
机器学习
2025-08-27 v5
摘要
医学诊断是医疗领域的一个关键任务，关乎提供准确的分类和相应的治疗方案。基于正确诊断所做的接近精确的决策可能直接影响患者生命，若诊断不当则可能造成灾难性后果。已提出并用于表格医学数据集的传统机器学习 (ML) 方法，如支持向量机 (SVM) 和逻辑回归，以及包括 TabNet 和 TabTransformer 在内的表格深度学习 (DL) 方法。此外，由于其卓越的性能、较低的计算成本和更易优化，集成方法近年来在该领域得到广泛应用。它们在诊断任务中提供了强大的替代方案。本研究探讨了集成方法，尤其是梯度提升决策树 (GBDT) 算法在医学分类任务中对表格数据的优势，重点关注 XGBoost、CatBoost 和 LightGBM。实验表明，GBDT 方法在多个基准表格医学诊断数据集上优于传统机器学习和深度神经网络架构，并在平均排名上取得最高值。此外，它们所需的计算资源远低于 DL 模型，在高性能和低复杂度之间创建了最优方法。
引用
@article{arxiv.2410.03705,
title = {Gradient Boosting Decision Trees on Medical Diagnosis over Tabular Data},
author = {A. Yarkın Yıldız and Asli Kalayci},
journal= {arXiv preprint arXiv:2410.03705},
year = {2025}
}
备注
Accepted to IEEE International Conference on AI and Data Analytics 2025