评估法学硕士生成的心脏病预测规则

摘要

arXiv:2609.13192v1 Announce Type: new Abstract: This study compares traditional machine learning models and Large Language Model (LLM)-generated rule-based systems for heart disease prediction using t...

and the LLM performance generated rule accuracy score models systems

2026-09-15 1 阅读约2分钟阅读 Feisal Alaswad, Batoul Aljaddouh, Maher Alrahhal, Wafaa Al Nassan, Talal Bonn

arXiv:2609.13192v1 公告类型：新摘要：本研究使用 UCI 心脏病数据集比较了传统机器学习模型和大型语言模型 (LLM) 生成的基于规则的系统进行心脏病预测。包括逻辑回归、K 最近邻 (KNN)、支持向量机 (SVM)、朴素贝叶斯、决策树和随机森林在内的多个分类器与使用 GPT-4o 和 Claude Sonnet 4.6 生成的基于规则的系统一起进行了评估。使用准确度、精确度、召回率和 F1 分数指标评估模型性能。实验结果表明，传统机器学习模型在预测性能方面始终优于 LLM 生成的基于规则的系统。随机森林取得了最佳的整体性能，准确率为 90.2%，精度为 0.829，完美召回率为 1.0，F1 分数为 0.906。朴素贝叶斯紧随其后，准确率为 88.5%，F1 分数为 0.881。相比之下，LLM 生成的规则模型的性能较低，Claude Sonnet 4.6 的准确率达到 80.3%（F1 得分：0.833），GPT-4o 的准确率达到 70.5%（F1 得分：0.690）。尽管存在性能差距，法学硕士生成的规则提供了可解释的 IF-THEN 诊断逻辑，增强了临床决策的可解释性和透明度。这些发现强调了医疗人工智能系统的预测性能和可解释性之间的权衡。所有实验的完整实现（包括机器学习模型和 LLM 派生的规则分类器）可在 GitHub 存储库中公开获取：https://github.com/FeisalAlaswad/LLM-Rule-ML-Heart-Disease-Prediction。

订阅66必读