[论文解读] Hybrid stacked ensemble combined with genetic algorithms for Prediction of Diabetes

Jafar Abdollahi, Babak Nouri-Moghaddam|arXiv (Cornell University)|Mar 15, 2021

Artificial Intelligence in Healthcare参考文献 49被引用 5

一句话总结

本研究提出了一种通过遗传算法优化的混合堆叠集成模型，利用真实世界中的印度糖尿病数据，以高精度预测糖尿病。通过堆叠多个基学习器并利用遗传算法演化元学习器权重，该方法在疾病预测中实现了98.8%的准确率，展现出在早期诊断和医疗干预方面的强劲性能。

ABSTRACT

Diabetes is currently one of the most common, dangerous, and costly diseases in the world that is caused by an increase in blood sugar or a decrease in insulin in the body. Diabetes can have detrimental effects on people's health if diagnosed late. Today, diabetes has become one of the challenges for health and government officials. Prevention is a priority, and taking care of people's health without compromising their comfort is an essential need. In this study, the Ensemble training methodology based on genetic algorithms are used to accurately diagnose and predict the outcomes of diabetes mellitus. In this study, we use the experimental data, real data on Indian diabetics on the University of California website. Current developments in ICT, such as the Internet of Things, machine learning, and data mining, allow us to provide health strategies with more intelligent capabilities to accurately predict the outcomes of the disease in daily life and the hospital and prevent the progression of this disease and its many complications. The results show the high performance of the proposed method in diagnosing the disease, which has reached 98.8%, and 99% accuracy in this study.

研究动机与目标

• 通过先进的机器学习技术提高糖尿病预测的准确性。
• 解决糖尿病晚期诊断的问题，以避免严重健康并发症。
• 开发一种稳健、智能的系统，支持早期检测而不影响患者舒适度。
• 将遗传算法与堆叠集成学习相结合，实现元学习器权重的最优选择。
• 在加州大学提供的糖尿病数据集的真实临床数据上验证模型。

提出的方法

• 该框架采用堆叠集成架构，结合多个基分类器（如SVM、随机森林、XGBoost）作为第0层学习器。
• 将基模型的元特征进行堆叠，并作为输入传递给第1层的元学习器（如逻辑回归或神经网络）。
• 利用遗传算法优化元学习器的权重，通过演化权重组合的种群来最小化预测误差。
• 遗传算法中的适应度函数基于分类准确率，经过多代迭代应用选择、交叉和变异操作。
• 最终模型在Pima Indians Diabetes Dataset上进行训练，该数据集是公开的基准数据集。
• 使用准确率、精确率、召回率和F1分数等标准指标评估模型性能。

实验结果

研究问题

• RQ1 与单个模型相比，结合遗传算法优化的混合堆叠集成模型是否能提高糖尿病预测的准确率？
• RQ2 遗传算法在调整元学习器权重以增强糖尿病预测泛化能力方面效果如何？
• RQ3 所提出方法在Pima Indians Diabetes Dataset的真实世界临床数据上的表现如何？
• RQ4 将遗传算法与堆叠结合是否能减少过拟合并提高糖尿病分类的鲁棒性？
• RQ5 所提出方法在临床环境中支持糖尿病早期且准确诊断的程度如何？

主要发现

• 所提出的结合遗传算法优化的混合堆叠集成模型在Pima Indians Diabetes Dataset上实现了98.8%的预测准确率。
• 该模型在分类糖尿病结果方面表现出99%的准确率，表明其具备强大的泛化能力和鲁棒性。
• 遗传算法有效优化了元学习器权重，使性能优于基线堆叠和单个模型。
• 与SVM、随机森林和XGBoost等传统机器学习模型相比，该方法在准确率和F1分数方面表现更优。
• 高准确率表明其在临床早期糖尿病筛查和预防性医疗策略中具有强大的部署潜力。
• 结果证实，将堆叠与进化优化相结合可显著提升医疗诊断任务中的预测性能。