基于捕食者乌鸦搜索优化与可解释人工智能的心血管疾病分类研究：精准诊断的新突破

《Scientific Reports》：Predator crow search optimization with explainable AI for cardiac vascular disease classification

心血管疾病（CVD）预测模型面临可解释性差、特征选择欠佳等挑战。研究人员开展了将捕食者乌鸦搜索优化（PCSO）与可解释人工智能（XAI）技术相结合的 CVD 分类研究。结果显示，该模型准确率达 99.72% ，为临床诊断提供有力工具。

　　心血管疾病，这个全球健康的 “头号杀手”，正以惊人的速度威胁着人类的生命。心肌梗死、中风等症状，背后隐藏的是心血管系统的 “故障”。尽管科技不断进步，但早期心脏病的诊断依旧困难重重。目前，多数机器学习模型如同 “黑箱”，让医生难以信任；传统优化技术难以挑选出关键特征，降低了模型准确性；现有的深度学习分割方法在检测左心室异常时也不够可靠；而且，许多 CVD 数据集存在类别不平衡问题，导致模型预测有偏差。在这样的困境下，来自印度韦洛尔理工学院（Vellore Institute of Technology）的研究人员决心寻找新的突破，开展了一项意义重大的研究。

他们提出了一种创新的混合方法，将捕食者乌鸦搜索优化（PCSO）与可解释人工智能（XAI）技术相结合，用于心血管疾病的分类。研究成果发表在《Scientific Reports》上，为心血管疾病的诊断带来了新的曙光。

在研究过程中，研究人员运用了多种关键技术方法。他们使用了公开的 ACDC 挑战数据集和内部临床研究的 imATFIB 数据集。数据预处理时，采用高斯滤波去除噪声，Z - score 归一化进行强度归一化，还利用基于信息增益的特征选择（IGFS）方法筛选关键特征。在模型构建方面，采用改进的 U - Net 模型进行左心室分割，运用 PCSO 优化深度神经网络（DNN）分类器的权重，最终建立了 PCSO - XAI 框架。

研究结果如下：

• 数据预处理与可视化：通过生成相关矩阵热图、特征直方图和目标变量饼图，研究人员对数据集的特征分布有了清晰的了解，为后续分析奠定了基础。
• 特征选择评估：对比多种模型发现，AlexNet 预训练模型在特征选择上表现出色，所选特征使模型在多数情况下能准确预测，但数据集不平衡会影响评估指标，如模型存在较多假阴性预测。
• 分割结果：改进的 U - Net 模型在心脏 MRI 图像的自动分割任务中表现优异，优于其他网络，在不同数据集上都能较为准确地分割出心脏区域。
• 分类性能：PCSO - XAI 框架在分类任务中成绩斐然，准确率达到 99.72% ，精度为 96.47% ，召回率为 98.6% ，F1 分数为 94.6% ，显著超越了传统的机器学习模型，如 SVM - ANN、ANNbCDP 等。
• 计算时间对比：该模型计算效率极高，整个计算过程仅需 1 秒，相比其他先进技术，如 SVM - ANN、ANNbCDP 等，计算时间大幅缩短。
• 模型鲁棒性评估：不同训练 - 测试分割比例实验表明，80:20 的分割比例在训练数据充足性和泛化能力间达到了较好平衡。5 折交叉验证显示模型性能稳定，训练和验证损失曲线表明模型学习有效且未出现过拟合。

研究结论和讨论部分指出，该研究提出的 PCSO - XAI 框架在心血管疾病预测方面展现出了高准确率和强鲁棒性。它不仅提高了预测准确性，还通过 PCSO 算法优化参数，结合 XAI 技术增强了模型的可解释性，这对于临床应用至关重要。同时，强大的预处理流程和创新的特征选择方法，使模型在处理高维数据集时更加可靠。不过，该框架也存在一些局限性，如需要高计算资源、依赖大量标注数据、在更广泛人群中的适用性有待验证以及模型透明度还需提高等。未来的研究将围绕优化框架以适应云与边缘计算、扩展数据集、开展大规模临床试验以及将模型应用于更多心血管疾病等方向展开。这一研究成果为心血管疾病的诊断提供了新的思路和方法，有望推动心血管疾病诊断技术的进一步发展，改善患者的诊疗效果。