山西省卒中风险评估的多目标优化与解释
机器学习
2021-08-03 v2
摘要
卒中是中国致死的首要原因（Zhou et al. The Lancet 2019）。使用来自山西省的数据集，通过 SHAP DeepExplainer 识别每位患者在低/中/高/发作四态的风险并提供状态转移倾向。为提升不平衡样本集上的准确率，首次提出二次交互深度神经网络（QIDNN）模型，通过灵活选取与追加二次交互特征实现。实验结果表明，具 7 个交互特征的 QIDNN 模型取得了 83.25\% 的 SOTA 准确率。血压、缺乏运动、吸烟、体重与总胆固醇为前五大重要特征。进而，为在最紧急的发作态上获得高召回率，将卒中发生预测作为辅助目标以受益于多目标优化。预测准确率得到提升，同时发作态召回率相较 QIDNN（从 67.93\%）提升 24.9\%（至 84.83\%），特征相同。本文的预测模型与分析工具不仅给出理论优化的预测方法，还提供每位患者风险状态与转移方向的归因解释，为医生分析诊断该病提供有利工具。
引用
@article{arxiv.2107.14060,
title = {Multi-objective optimization and explanation for stroke risk assessment in Shanxi province},
author = {Jing Ma and Yiyang Sun and Junjie Liu and Huaxiong Huang and Xiaoshuang Zhou and Shixin Xu},
journal= {arXiv preprint arXiv:2107.14060},
year = {2021}
}
备注
22pages, 8 figures