核心概念
人工知能の急速な進歩により、ウェアラブル技術、継続的なモニタリングデバイス、および知的診断システムなどのスマートヘルスケアの革新が起こっている。しかし、セキュリティ、説明可能性、堅牢性、およびパフォーマンス最適化の課題は、臨床環境での広範な採用の重要な障壁となっている。この研究では、Adaptive Feature Evaluator (AFE)アルゴリズムを使用して、ヘルスケアデータセットの特徴選択を改善し、これらの問題を克服する革新的なアルゴリズム手法を提案する。
摘要
この研究では、Adaptive Feature Evaluator (AFE)アルゴリズムを提案しています。AFEは、遺伝的アルゴリズム(GA)、説明可能な人工知能(XAI)、および順列組み合わせ手法(PCT)を統合したアルゴリズムで、臨床的意思決定支援システム(CDSS)の予測精度と解釈可能性を向上させます。
提案手法は、6つの異なるマシンラーニングアルゴリズムを使用して3つの多様なヘルスケアデータセットで検証され、従来の特徴選択手法に比べて堅牢性と優位性が実証されています。AFEアルゴリズムとMulti-layer Perceptron (MLP)を組み合わせると、98.5%の精度を達成し、実世界のヘルスケアアプリケーションにおける臨床的意思決定プロセスを改善する能力が示されています。
统计
ANXYELFINは最も重要な特徴で重要度は0.203
COUGHINGは重要度0.136の2番目に重要な特徴
CHRONIC DISEASEは重要度0.129の3番目に重要な特徴
FATIGUEは重要度0.104の4番目に重要な特徴
ALCOHOL CONSUMINGは重要度0.100の5番目に重要な特徴
引用
"人工知能の急速な進歩により、ウェアラブル技術、継続的なモニタリングデバイス、および知的診断システムなどのスマートヘルスケアの革新が起こっている。"
"AFEアルゴリズムとMulti-layer Perceptron (MLP)を組み合わせると、98.5%の精度を達成し、実世界のヘルスケアアプリケーションにおける臨床的意思決定プロセスを改善する能力が示されています。"