一种可解释的AI驱动混合特征选择方法用于冠状动脉疾病诊断
本研究提出了一种名为SHAP优化包装器(SHOW)的新型混合特征选择算法,用于冠状动脉疾病(CAD)诊断。该算法分两步工作:首先利用XGBoost、随机森林和SVM分类器开发SHAP方法,基于诊断重要性对特征进行排序;其次采用优化的顺序前向选择包装技术评估排序特征以选择最优子集。在三个公开CAD数据集上的实验表明,SHOW算法在准确率和所选特征数量方面显著优于14种最先进的竞争算法,在Z-Alizadeh Sani数据集上以14个特征达到93.79%的准确率,在Cleveland和Statlog数据集上仅用5个特征分别达到86.52%和87.78%的准确率,同时在敏感性、特异性、AUC和F1分数等临床相关指标上也表现优异,为CAD早期诊断提供了高效可靠的AI解决方案。

