《International Journal of Cognitive Computing in Engineering》:A hybrid deep learning approach based on optimized feature selection on environmental multi-disease predictive models
编辑推荐:
近期研究多利用时序临床数据构建各类疾病预测模型,机器学习(ML)模型可基于个体健康状态早期识别多种疾病,但现有疾病预测仍面临大规模数据不足、特征选择困难及模型结构复杂等局限。本研究提出创新解决方案,构建多疾病预测模型,从UCI数据库提取慢性肾脏病(CKD)、肺
近期研究多利用时序临床数据构建各类疾病预测模型,机器学习(ML)模型可基于个体健康状态早期识别多种疾病,但现有疾病预测仍面临大规模数据不足、特征选择困难及模型结构复杂等局限。本研究提出创新解决方案,构建多疾病预测模型,从UCI数据库提取慢性肾脏病(CKD)、肺癌(LC)、宫颈癌(CC)、帕金森病(PD)及肝细胞癌(HCC)生存数据集。研究第一阶段整合多源医学数据集,随后采用两种元启发式算法结合的优化特征选择技术:融合Salp Swarm Algorithm(SSA)的强全局探索能力与Tuna Swarm Optimization(TSO)的精细局部开发能力,构建新型SSATSO混合算法。该双机制策略可有效遍历潜在特征组合的复杂多模态搜索空间,避免陷入局部最优,收敛至对预测精度贡献最大的特征子集。SSATSO算法作为智能自适应过滤器,主动缓解后续C-SBiLSTM分类器面临的维度灾难问题,使深度学习网络可将表征能力集中于学习最显著特征间的复杂非线性关系,最终模型不仅精度更高,且鲁棒性与泛化能力更强。值得注意的是,尽管标准模型在特征降维后也有一定性能提升,但所提框架在不同特征子集规模下均呈现更高的性能梯度,且准确率始终最优,验证了混合SSATSO方法的卓越效能。所提SSATSO-C-SBiLSTM框架在准确率、精确率、召回率、F分数及特异度等全套性能指标上均表现出显著优势,且在五个不同复杂疾病领域的结果一致,证明该框架不仅是单一疾病的专用解决方案,更是可靠的计算临床决策支持平台。
论文解读
研究背景与意义
随着电子医疗信息的普及,医疗大数据在公共卫生统计、回归分析、特征提取及分类任务中的应用日益广泛,人工智能在医疗预测领域的价值愈发凸显。然而当前医疗机器学习模型仍面临三大核心问题:一是模型可解释性与精度的权衡困境,部分场景过度追求精度而忽视临床可解释性;二是多疾病预测中特征选择的通用性不足,现有方法难以适配不同疾病数据集的特性;三是小样本数据集导致的过拟合风险,限制了模型的泛化能力。此外,现有多疾病预测模型多缺乏特定疾病参数(如慢性肾脏病特异性指标),且未充分考虑类别不平衡问题,导致预测结果在临床应用中可靠性不足。在此背景下,本研究旨在构建兼具高精度、强泛化性及临床可解释性的多疾病预测框架,为计算临床决策支持系统提供技术支撑,研究成果发表于《International Journal of Cognitive Computing in Engineering》。
关键技术方法
研究人员采用UCI数据库的五个公开数据集开展研究:包含188例样本的帕金森病数据集、56例样本的肺癌数据集、400例样本的慢性肾脏病数据集、858例样本的宫颈癌数据集及165例样本的肝细胞癌生存数据集。核心技术流程分为三部分:首先进行数据预处理,包括缺失值处理、标准化(按公式w=σ(x?xˉ)将特征缩放至均值0、标准差1的范围)及训练集-验证集-测试集划分;其次提出混合SSATSO特征选择算法,融合SSA的全局探索能力与TSO的局部开发能力,通过适应度函数(公式为f(xi(t))=ξExi(t)+(1?ξ)(∣C∣∣xi(t)∣),其中ξ∈[0,1]用于平衡分类误差与所选特征数量)迭代筛选最优特征子集;最后构建CNN-SBiLSTM(卷积神经网络-堆叠双向长短期记忆网络)分类器,先通过CNN的双卷积-池化组合提取局部与全局特征,再输入SBiLSTM学习双向序列依赖,实现疾病预测。实验在配备NVIDIA GTX1650显卡、8GB RAM的Windows 10系统上通过Python Jupyter Notebook实现,采用分层交叉验证缓解类别不平衡影响。
研究结果
4.1 特征选择过程性能基准测试
研究人员通过特征重要性图谱分析发现,SSATSO算法可在五个数据集中筛选出少于原始特征半数的核心子集,且该子集包含绝大部分判别信息。这种数据精简不仅降低了训练资源消耗,还减少了噪声干扰,提升了模型泛化能力。同时特征选择过程增强了深度学习模型的“黑箱”可解释性,筛选出的关键临床标志物(如帕金森病的语音参数、慢性肾脏病的肾功能指标)与临床认知一致,可为后续研究提供方向。
4.2 优化特征选择的影响
性能对比显示,模型精度随特征优化程度提升呈单调增长趋势:使用全部特征时,帕金森病数据集准确率为84.50%,而仅用14个优化特征时准确率升至99.60%;肺癌数据集全特征准确率87.50%,15个优化特征时达99.00%;慢性肾脏病、宫颈癌及肝细胞癌数据集在使用20、18、18个优化特征时均实现100%、100%、99.80%的准确率。该结果验证了先进特征选择机制是高性能诊断模型的核心组成部分,而非辅助模块。
4.3 多疾病预测的优越性
在五数据集的最优配置下,所提框架全套性能指标均优于对比模型:准确率、精确率、召回率、F分数及特异度在多数数据集上接近或达到满分。其中高精确率可减少健康人群的假阳性误诊,避免不必要的检查与心理负担;高召回率可降低假阴性漏诊风险,为早期干预争取时间;平衡的F分数证明模型未以牺牲某一指标为代价换取另一指标的提升,整体可靠性更强。
4.4 混淆矩阵与模型一致性
混淆矩阵显示预测结果主要集中在主对角线,非对角元素稀疏且无系统性模式,表明模型成功学习到各疾病的独立判别特征,不存在特定疾病间的混淆误判,稳定性与可靠性满足临床部署需求。
4.5 受试者工作特征(ROC)分析
ROC曲线显示SSATSO-C-SBiLSTM的曲线均逼近左上角,对应曲线下面积(AUC)值显著高于对比算法,证明其在所有分类阈值下均能实现更佳的真阳性率与假阳性率权衡,判别能力达到行业领先水平。
4.6 特征间相关性分析
相关性热力图显示筛选后的特征子集内部无严重多重共线性,各特征既与目标疾病强相关,又保持了独立的信息贡献度,进一步验证了SSATSO算法的特征选择有效性,保障了模型的稳定性与泛化能力。
4.7 执行时间分析
对比实验表明,使用优化特征子集时模型执行时间较全特征场景显著降低,证明特征降维在提升精度的同时大幅优化了计算效率,适合实时临床应用场景。
讨论与结论
讨论部分指出,本研究的高性能成果可直接转化为临床价值:高精确率与特异度减少假阳性带来的医疗资源浪费与患者焦虑,高召回率提升早期检出率,改善患者预后。框架在神经退行性疾病与多种癌症等异质性疾病的稳定表现,证明其并非单一场景专用工具,而是具备通用性的临床决策支持平台。研究同时指出算法复杂度主要来自适应度评估中的模型训练,在高维大数据场景下需结合并行计算提升效率。
结论部分明确,本研究提出的SSATSO-C-SBiLSTM框架通过融合SSA的全局探索与TSO的局部开发能力,实现了多疾病数据集的最优特征选择,后续CNN-SBiLSTM分类器可高效学习特征间的复杂关系。该框架突破了现有多疾病预测的数据限制、特征选择瓶颈及泛化性不足等问题,具备多数据源兼容性,可集成于临床决策支持系统、健康监测应用等场景,最终助力提升医疗效率与服务质量。未来研究可进一步在更大规模独立队列中验证模型性能,推动临床转化应用。