[论文解读] Dataset Optimization for Chronic Disease Prediction with Bio-Inspired Feature Selection

Abeer Dyoub, Ivan Letteri|arXiv (Cornell University)|Dec 17, 2023

Artificial Intelligence in Healthcare被引用 5

一句话总结

本研究提出一种基于生物启发的特征选择框架，结合遗传算法（GA）、粒子群优化（PSO）和鲸鱼优化算法（WOA），用于降低高维慢性疾病数据集的维度，从而提升模型的准确率与可解释性。GA在性能上优于其他算法，在乳腺癌预测中实现了2.8%的准确率提升，同时将特征数从30个减少至12个，并将训练时间缩短55%。

ABSTRACT

In this study, we investigated the application of bio-inspired optimization algorithms, including Genetic Algorithm, Particle Swarm Optimization, and Whale Optimization Algorithm, for feature selection in chronic disease prediction. The primary goal was to enhance the predictive accuracy of models streamline data dimensionality, and make predictions more interpretable and actionable. The research encompassed a comparative analysis of the three bio-inspired feature selection approaches across diverse chronic diseases, including diabetes, cancer, kidney, and cardiovascular diseases. Performance metrics such as accuracy, precision, recall, and f1 score are used to assess the effectiveness of the algorithms in reducing the number of features needed for accurate classification. The results in general demonstrate that the bio-inspired optimization algorithms are effective in reducing the number of features required for accurate classification. However, there have been variations in the performance of the algorithms on different datasets. The study highlights the importance of data pre-processing and cleaning in ensuring the reliability and effectiveness of the analysis. This study contributes to the advancement of predictive analytics in the realm of chronic diseases. The potential impact of this work extends to early intervention, precision medicine, and improved patient outcomes, providing new avenues for the delivery of healthcare services tailored to individual needs. The findings underscore the potential benefits of using bio-inspired optimization algorithms for feature selection in chronic disease prediction, offering valuable insights for improving healthcare outcomes.

研究动机与目标

• 通过降低高维医疗数据的维度，提升慢性疾病分类的预测准确率与模型可解释性。
• 评估生物启发优化算法——GA、PSO和WOA——在多种慢性疾病数据集中的特征选择有效性。
• 研究特征选择对模型性能的影响，涵盖准确率、精确率、召回率和F1分数等指标。
• 识别在特征减少与预测性能之间实现平衡的最优算法配置与适应度函数设计。
• 通过支持更高效、可靠且可操作的疾病预测模型，推动早期干预与精准医疗。

提出的方法

• 在慢性疾病数据集中应用三种生物启发优化算法——遗传算法（GA）、粒子群优化（PSO）和鲸鱼优化算法（WOA）——进行特征选择。
• 设计了一种适应度函数，优先考虑分类准确率，目标是识别出能维持或提升模型性能的最小特征子集。
• 将选定的特征子集应用于多种分类器（如决策树、支持向量机、逻辑回归、神经网络），以评估其在不同模型类型上的泛化能力。
• 采用包含两层隐藏层（每层10个神经元）的神经网络，评估在减少特征集下的训练效率与收敛行为。
• 使用标准化性能指标，对四种慢性疾病——糖尿病、癌症、肾病和心血管疾病——进行对比分析。
• 执行广泛的预处理操作，以确保在特征选择与模型训练前的数据质量与可靠性。

实验结果

研究问题

• RQ1 在保持或提升慢性疾病预测分类准确率的前提下，GA、PSO和WOA在减少特征数量方面表现如何比较？
• RQ2 特征选择对模型训练时间与收敛行为（尤其是神经网络）有何影响？
• RQ3 仅将适应度函数聚焦于准确率，会对精确率、召回率和F1分数等其他指标性能产生多大程度的影响？
• RQ4 数据集特定特征（如特征数量、类别分布）如何影响每种生物启发算法的有效性？
• RQ5 通过生物启发方法进行特征选择，能否实现临床可解释且可操作的慢性疾病管理预测？

主要发现

• 遗传算法（GA）整体表现最优，在F1分数方面在50%的案例中优于WOA和PSO，并展现出准确率与特征减少之间的最佳平衡。
• 在乳腺癌数据集中，特征数从30个减少至12个后，准确率提升2.8%，训练时间缩短55%，显著提升了效率。
• PSO在各代之间难以提升适应度，可能由于参数（w, c1, c2）初始化不当，表明其对超参数调优敏感。
• 尽管适应度函数仅关注准确率，GA在所有指标上均保持强劲表现，F1分数在50%的案例中超过基线。
• 训练时间并不总是随特征减少而降低——尤其在心力衰竭数据集中，特征减少反而导致训练周期变长，表明模型架构对特征数量变化敏感。
• WOA在减少特征数量方面表现最一致（最低降至5个特征），但其准确率与F1分数在大多数情况下低于GA和PSO。