An Adaptive Balancing and Threshold-Tuning Framework with Hybrid Feature Selection for Liver Disease Classification
本文提出了一种自适应机器学习框架，该框架将五准则混合特征选择与自适应平衡及阈值微调相结合，以有效解决肝脏疾病预测中的类别不平衡和特征冗余问题，在 ILPD 和 LDPD 数据集上实现了高召回率和稳健的性能。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
肝脏疾病是一种沉默的威胁。它往往在没有任何预兆的情况下发展，在患者感觉完全健康时，就从轻微的功能障碍进展到严重的衰竭。等到症状出现时，有效的治疗窗口可能已经关闭。这一现实使得早期检测成为生死攸关的大事，然而早期诊断该疾病却极其困难。医生依赖一组血液检测指标来发现问题，但解读这些数值非常复杂。这些数值在不同患者之间差异巨大，在健康个体与患者之间存在重叠，并且经常受到离群值的干扰。此外，医疗数据通常是不平衡的；在许多数据集中，患病者与健康患者的分布并不均匀，这可能会误导计算机程序，使其忽略了那些真正需要寻找的病例。
多年来，研究人员一直试图构建计算机模型来帮助理清这种混乱，利用算法在人类可能忽略的血液检查中寻找模式。然而，许多此类尝试都因现实世界医疗数据的杂乱本质而受挫。它们通常将数据清洗、选择观察哪些测试以及决定如何权衡结果这些步骤视为独立的任务。本文介绍了一种全新的方法，将这些步骤编织成一个单一的、自适应的系统，专门设计用于在数据不完美的情况下及早捕捉到患者。
研究人员首先使用了一份来自印度的知名医疗记录集，其中包含数百名患者的信息。他们知道这些数据是有缺陷的：存在缺失值、极端离群值，以及患病人数比健康人数多出两倍以上的严重失衡。研究人员并没有强迫数据去适应标准模型，而是构建了一个能够适应数据特性的框架。该系统的第一部分充当了医疗检测的“严格编辑”。它根据五项特定标准评估每一项可用的血液标志物及其组合指标：预测疾病的能力、区分患者与健康人的清晰度、在不同患者群体中的稳定性、重复已有信息信息的程度，以及计算该指标实际所需的原始实验室检测数量。
这种被称为 5C-HFS 的“混合特征选择”过程，将潜在指标的长名单缩减到了仅有的五个关键特征。这些特征包括一个代表肝脏压力的计算得分、患者年龄，以及胆红素和酶的具体比例。至关重要的是，选择这五个特征是因为它们可以仅通过七项标准的血液检测得出，从而保证了筛查在实际诊所中的可行性。随后，系统进入第二阶段，即解决不平衡问题。在许多医疗数据集中，计算机为了更容易通过“猜测多数派”来获得正确率，会学会忽略少数群体。研究人员测试了六种修复方法，包括通过创建合成的患者样本来更好地教导模型的方法。他们发现，对于这个特定的数据集，一种生成合成样本的技术效果最好，但他们并未止步于此。他们还调整了“决策阈值”——即计算机判定患者是否患病的临界点。他们没有使用标准的 50-50 切分点，而是降低了门槛以捕捉更多潜在病例，将识别患病患者的优先级置于避免误报之上。
最终结果是一个基于名为 CatBoost 的强大算法的计算机模型，该模型是在经过精炼和平衡后的数据上进行训练的。在对从未见过的密封记录集进行测试时，该模型的 AUC 达到了 0.8。更重要的是，它成功识别了 91.6% 的实际患有肝脏疾病的患者。虽然它确实漏掉了一些健康的人（特异度为 50%），但这种权衡是刻意为之：在早期筛查中，漏掉一名患者比将一名健康人标记出来进行进一步检查要危险得多。研究人员还在一个包含数千条记录的公共仓库中更大的不同数据集上测试了这个自适应系统。在这种情况下，系统正确地判断不需要生成合成数据，并据此调整了其阈值，证明该框架并不依赖于单一的固定规则，而是能适应接收到的数据的特定结构。
为了确保医生能够信任该系统，研究人员增加了一个可解释性层。他们展示了模型的决策是由人类专家也会考虑的特征（如肝脏压力得分和酶水平）驱动的，而非晦涩的数学人工制品。他们甚至构建了一个简单的原型界面，该界面可以输入患者的化验结果，并返回风险概率以及关于哪些因素导致了该评分的清晰解释。研究结论指出，虽然该框架并非独立的诊断工具，但它提供了一种稳健、可解释且高度敏感的早期筛查方法。通过结合精细的特征选择、自适应平衡和阈值调节，该系统能够找到那些可能被忽视的患者，为实现更安全、更有效的临床决策支持迈出了极具前景的一步。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。