优化中风风险预测：结合 ROS 平衡集成和 XAI 的机器学习管道
计算机视觉与模式识别
2025-12-02 v1 机器学习
摘要
中风是死亡和永久残疾的主要原因，是全球范围内的重大健康问题。为了实现及时干预和成功的预防措施，早期风险评估至关重要。为应对这一挑战，我们使用集成建模和可解释人工智能（XAI）技术，构建了一个用于中风风险预测的可解释机器学习框架。我们的全方位策略包括对10种不同机器学习模型进行评估，使用5折交叉验证，涵盖多个数据集，还包括特征工程和数据预处理（使用随机过采样（ROS）解决类别不平衡问题）。我们的优化集成模型（Random Forest + ExtraTrees + XGBoost）表现卓越，在中风预测数据集（SPD）上取得了高达99.09%的准确率。通过识别三项重要临床变量（年龄、高血压和血糖水平），我们利用基于LIME的可解释性分析提高了模型的透明度和临床应用性。该研究表明，通过结合集成学习和可解释人工智能（XAI），可以实现高度准确且可解释的中风风险评估。通过早期预测，我们的框架有望变革中风预测和心血管风险管理，实现数据驱动的预防和个性化临床决策。
引用
@article{arxiv.2512.01333,
title = {Optimizing Stroke Risk Prediction: A Machine Learning Pipeline Combining ROS-Balanced Ensembles and XAI},
author = {A S M Ahsanul Sarkar Akib and Raduana Khawla and Abdul Hasib},
journal= {arXiv preprint arXiv:2512.01333},
year = {2025}
}