[论文解读] Novel Deep Learning Architecture for Heart Disease Prediction using Convolutional Neural Network

Shadab Hussain, Nanda, Santosh Kumar+4 more|arXiv (Cornell University)|May 22, 2021

Artificial Intelligence in Healthcare参考文献 9被引用 5

一句话总结

本文提出了一种新颖的一维卷积神经网络（1D-CNN）架构，用于利用临床患者参数进行早期心脏病预测。该模型在训练集上达到97%的准确率，在测试集上达到96%的准确率，通过正则化技术有效缓解了过拟合问题，并在未见数据上表现出强大的泛化能力，优于传统方法。

ABSTRACT

Healthcare is one of the most important aspects of human life. Heart disease is known to be one of the deadliest diseases which is hampering the lives of many people around the world. Heart disease must be detected early so the loss of lives can be prevented. The availability of large-scale data for medical diagnosis has helped developed complex machine learning and deep learning-based models for automated early diagnosis of heart diseases. The classical approaches have been limited in terms of not generalizing well to new data which have not been seen in the training set. This is indicated by a large gap in training and test accuracies. This paper proposes a novel deep learning architecture using a 1D convolutional neural network for classification between healthy and non-healthy persons to overcome the limitations of classical approaches. Various clinical parameters are used for assessing the risk profile in the patients which helps in early diagnosis. Various techniques are used to avoid overfitting in the proposed network. The proposed network achieves over 97% training accuracy and 96% test accuracy on the dataset. The accuracy of the model is compared in detail with other classification algorithms using various performance parameters which proves the effectiveness of the proposed architecture.

研究动机与目标

• 解决传统机器学习模型在心脏病预测中对未见医疗数据泛化能力不足的问题。
• 开发一种深度学习架构，利用临床参数以提升心脏病的早期诊断能力。
• 通过1D-CNN框架中的先进正则化技术，减少医疗分类模型中的过拟合问题。
• 在训练集和测试集上均实现高分类准确率，表明模型具有强大的泛化能力。

提出的方法

• 设计了一种一维卷积神经网络，用于处理患者病历中的序列化临床特征。
• 使用多个卷积层和池化层，从输入的临床数据中提取分层模式。
• 应用批量归一化和Dropout层以防止过拟合并提升训练稳定性。
• 采用随机梯度下降优化算法，并使用类别交叉熵损失函数进行二分类训练。
• 通过超参数调优和数据预处理对网络架构进行优化，以提升性能。
• 集成如Dropout和批量归一化等正则化技术，以增强模型在测试数据上的泛化能力。

实验结果

研究问题

• RQ1 1D-CNN架构在心脏病预测中是否能实现优于传统机器学习模型的泛化性能？
• RQ2 如Dropout和批量归一化等正则化技术在减少医疗深度学习模型过拟合方面有多有效？
• RQ3 在临床心脏病数据上，使用1D-CNN在训练集和测试集上能达到何种准确率水平？
• RQ4 所提出的模型在精确率、召回率和F1分数方面是否优于现有分类算法？

主要发现

• 所提出的1D-CNN模型在训练集上达到97%的准确率，在测试集上达到96%的准确率，表明性能优异且过拟合程度极低。
• 与传统方法相比，该模型展现出更优的泛化能力，训练与测试准确率之间的差距较小。
• 集成Dropout和批量归一化显著减少了过拟合，提升了模型的鲁棒性。
• 通过对比评估验证，该模型在准确率、精确率、召回率和F1分数方面均优于其他分类算法。
• 使用临床参数作为输入特征，可实现有效的风险评估和心脏病的早期诊断。
• 该架构能够有效学习表格化临床数据中的复杂非线性模式，适用于自动化诊断。