基于机器学习的心脏病诊断：系统性文献综述
机器学习
2021-12-14 v1
摘要
心脏病是当今世界的重大挑战之一，也是全球许多死亡的主要成因。机器学习(ML)应用的最新进展表明，利用心电图(ECG)与患者数据在早期检测心脏病是可行的。然而，ECG与患者数据常存在不平衡，这最终给传统ML的公正执行带来挑战。多年来，许多研究者和从业者提出了若干数据层面与算法层面的解决方案。为提供现有文献的更广阔视野，本研究采用系统性文献综述(SLR)方法来揭示心脏病预测中与不平衡数据相关的挑战。此前，我们基于2012年至2021年11月15日期间从知名期刊获取的451篇参考文献进行了元分析。为深入分析，考虑以下因素：心脏病类型、算法、应用与解决方案，筛选并研究了49篇参考文献。我们的SLR研究显示，当前方法在处理不平衡数据时遭遇多种开放问题/难题，最终阻碍了其实际适用性与功能性。
引用
@article{arxiv.2112.06459,
title = {Machine Learning-Based Heart Disease Diagnosis: A Systematic Literature Review},
author = {Md Manjurul Ahsan and Zahed Siddique},
journal= {arXiv preprint arXiv:2112.06459},
year = {2021}
}