Improved genetic algorithm for Bayesian Network structure learning applied to diagnostic of coronary arterial diseases

Abstract

Neste estudo, desenvolvemos um novo Algoritmo Gen´ etico para treinar Redes Bayesianas (GATFBN). Usando conjuntos de dados sint´eticos como ASIA e Alarm, validamos os GATFBN comparando-o com outros algoritmos de treinamento de BN, como TABU e Hill Climbing (HC). A compara¸ c˜ ao das estruturas de rede obtidas pelo GATFBN indicou que, em m´edia, o GATFBN alcan¸cou melhores resultados. Subsequentemente, treinamos dois modelos de BN usando TABU e GATFBN com dados m´edicos reais e um modelo XGBoost para compara¸c˜ao de base. O modelo de BN obtido com o GATFBN alcan¸cou uma AUC mais alta nos dados de teste em compara¸c˜ao com o modelo treinado com TABU, mas foi inferior ao modelo XGBoost. No entanto, o modelo de BN treinado com o GATFBN demonstrou melhor sensibilidade do que o modelo XGBoost. Al´em disso, realizamos uma an´alise de sensibilidade das vari´aveis presentes na BN-GA. Conclu´ımos que o GATFBN produz melhores estruturas para BNs e que o modelo obtido por meio dele pode alcan¸car AUCs compar´aveis ao XGBoost, oferecendo, ao mesmo tempo, uma melhor interpretabilidade dos dados.