StackLiverNet：用于精准可解释肝病检测的新型堆叠集成模型
机器学习
2025-08-05 v2 人工智能
摘要
肝病是全球范围内严重的健康问题，需对其进行精准及时诊断以提高患者的生存率。当前文献中实现了众多机器学习和深度学习模型进行肝病分类，但大多数模型存在分类误差高、解释性差、计算成本高且缺乏良好预处理策略等问题。为此，本研究引入StackLiverNet——一个针对肝病检测任务设计的可解释堆叠集成模型。该框架使用先进的数据预处理和特征选择技术以提高模型的鲁棒性和预测能力。采用随机欠采样技术解决类别不平衡问题，使训练数据更加均衡。StackLiverNet由多个经过超参数优化的基分类器组成，其互补优势通过LightGBM元模型得到充分利用。该模型表现卓越，测试准确率达99.89%，Cohen Kappa为0.9974，AUC为0.9993，仅有5个误分类，且训练与推理速度高效，适用于临床实践（训练时间4.2783秒，推理时间0.1106秒）。此外，应用Local Interpretable Model-Agnostic Explanations(LIME)生成 individual predictions的透明解释，揭示了碳酸氢酶和中等SGOT浓度是肝病的重要观察指标。同时，采用SHAP对特征进行全局贡献排序，而Morris方法则通过灵敏度分析确认了最具影响力的特征。
引用
@article{arxiv.2508.00117,
title = {StackLiverNet: A Novel Stacked Ensemble Model for Accurate and Interpretable Liver Disease Detection},
author = {Md. Ehsanul Haque and S. M. Jahidul Islam and Shakil Mia and Rumana Sharmin and Ashikuzzaman and Md Samir Morshed and Md. Tahmidul Huque},
journal= {arXiv preprint arXiv:2508.00117},
year = {2025}
}
备注
Accepted and presented paper of THE 16th INTERNATIONAL IEEE CONFERENCE ON COMPUTING, COMMUNICATION AND NETWORKING TECHNOLOGIES (ICCCNT) INDIA