科研之友
微信
新浪微博
Facebook
分享链接
摘要
[目的] 准确预测人们患冠心病的风险，分析不同因素对冠心病影响的重要程度，以便医生及时干预，有效帮助患者预防以及治疗。 [方法] 提出了一种基于注意力可解释表格学习神经网络的冠心病预测框架（PCHD-TabNet）。并且使用自监督学习来帮助模型加速收敛并保持稳定性。 [结果] 研究结果表明，PCHD-TabNet整体效果优于其他模型，且数据集的AUC达到0.72。 [局限] 弗雷明汉数据集的特征都是常规体检数据，如果有更好的临床数据，预测效果也许会有进一步的提升。 [结论] 对比实验证明，本文提出的方法提高了模型的性能，并且也优于其他传统模型。本研究为冠心病预测提供了一种高效的方法，并为类似的数据挖掘任务提供了参考。
- 单位
