Объяснимая гибридная система отбора признаков на базе ИИ для диагностики коронарной болезни сердца

Почему это важно для вашего сердца

Коронарная болезнь сердца лежит в основе многих инфарктов, но часто остается незамеченной до тех пор, пока не произойдет серьёзное повреждение. У врачей есть множество исследований, но многие из них дорогие, инвазивные или труднодоступные, особенно в странах с низким и средним уровнем дохода. В этой статье рассматривается, как новый подход объяснимого искусственного интеллекта может просеивать рутинные медицинские данные, чтобы выявлять лиц с повышенным риском, требуя меньше измерений и при этом давая врачам понимание того, какие признаки действительно имеют значение.

Проблема избытка информации

Современная медицина измеряет десятки показателей для каждого пациента с сердечными жалобами: возраст, кровяное давление, результаты анализов, симптомы и находки при визуализации и электрокардиографии. Но не все эти данные одинаково полезны. Использование слишком большого числа слабых или избыточных признаков может запутывать модели, замедлять их работу и снижать надежность прогнозов. Ранее предлагались разные методы сокращения списка, но ни один из них не показал постоянного преимущества, и большинство работали как «черные ящики», мало объясняя, почему тот или иной признак сохранён или отброшен.

Более умный способ выбирать нужные подсказки

Авторы предлагают двухэтапный метод под названием SHOW (SHAP Optimized Wrapper) для решения этой задачи. Сначала они применяют объяснимый метод SHAP, чтобы оценить вклад каждого медицинского признака в прогнозирование коронарной болезни. Это делают отдельно для трёх мощных моделей машинного обучения, которые по-разному подходят к задаче. Затем эти три точки зрения объединяют в стабильную ранжировку признаков, чтобы не полагаться на особенности одной модели. В результате получается упорядоченный список — от самых информативных клинических подсказок до наименее полезных.

Построение компактных и точных моделей прогнозирования

На втором этапе SHOW последовательно перебирает ранжированный список и шаг за шагом формирует набор признаков для каждого классификатора. Начинают с верхнего признака, обучают модель, затем добавляют следующий. Если добавление нового признака повышает точность, он остаётся; если нет — исключается. Так продолжают до тех пор, пока не прекращаются улучшения. При этом данные тщательно готовят: удаляются отсутствующие значения, редкие случаи болезни уравновешиваются стандартным методом увеличения выборки, а числовые значения масштабируются, чтобы ни одно измерение не доминировало только из‑за своего диапазона.

Проверка метода на практике

Чтобы оценить эффективность SHOW, команда протестировала его на трёх известных наборах данных по коронарной болезни, различающихся по размеру, сложности и доле больных. Испытали семь популярных моделей машинного обучения — от простой логистической регрессии до более продвинутых методов, таких как случайный лес и XGBoost. Для каждого набора данных сравнивали результаты при использовании всех доступных признаков и при использовании только тех, которые отобрал SHOW, многократно повторяя проверки в кросс‑валидационной схеме, чтобы исключить случайные совпадения. Кроме общей правильности оценивали и другие показатели: насколько модели избегают пропусков больных и насколько чётко разделяют здоровых и больных.

Что показали реальные данные пациентов

Во всех трёх наборах данных SHOW стабильно позволял модели XGBoost соответствовать или превосходить лучшие опубликованные результаты при значительно меньшем числе входных признаков. Например, в наборе с 55 клиническими показателями SHOW сократил список до 14, при этом достигнув примерно 94% точности и аналогично высокой чувствительности — то есть большинство больных было корректно выявлено. В двух других наборах по 13 признаков метод оставил лишь 5 при сохранении точности на уровне примерно 86–88%. Практически это означает, что небольшая, но правильно подобранная группа измерений — например, конкретные типы боли в груди, ключевые лабораторные показатели и определённые признаки визуализации — может нести большую часть диагностической информации.

Взгляд в будущее: более простые и понятные проверки сердца

Исследование показывает, что объяснимый ИИ может делать больше, чем просто выдавать прогнозы: он помогает прояснить, какие повседневные клинические признаки действительно важны для диагностики коронарной болезни сердца. Выделяя небольшой набор высокоценностных измерений, SHOW может поддерживать более дешёвые и быстрые скрининговые инструменты, которые остаются надёжными и более прозрачными для клиницистов. Хотя подход вычислительно затратен и потребует оптимизации для очень больших наборов данных, он открывает перспективный путь к более умным и понятным ИИ‑ассистентам, помогающим врачам выявлять болезни сердца раньше, не тонув в объёмах данных.

Цитирование: Elemam, T., Refaat, H. & Makhlouf, M. An explainable AI-driven hybrid feature selection approach for coronary artery disease diagnosis. Sci Rep 16, 10411 (2026). https://doi.org/10.1038/s41598-026-41712-y

Ключевые слова: коронарная болезнь сердца, объяснимый ИИ, отбор признаков, медицинская диагностика, машинное обучение