Selección eficiente de características con autoencoder disperso apilado convolucional de gato basado en atención para...

Área de la Ciencia:

• Informática Médica
• Inteligencia Artificial en la Atención Médica
• Biología Computacional

Sus antecedentes:

• La diabetes mellitus es una preocupación mundial para la salud que requiere una detección temprana para un control eficaz.
• Los métodos de diagnóstico actuales pueden mejorarse con técnicas computacionales avanzadas para una identificación más temprana.

Objetivo del estudio:

• Desarrollar y validar un modelo novedoso de aprendizaje profundo para la detección temprana de la diabetes.
• Mejorar la selección de características para mejorar la precisión diagnóstica en la predicción de la diabetes.

Principales métodos:

• Preprocesamiento de datos y selección de características utilizando un algoritmo mejorado de optimización de guepardo (ICO).
• Clasificación de la diabetes utilizando un modelo de autoencoder disperso apilado convolucional de gato de doble atención (DA_DCC_SSAE).
• Evaluación del rendimiento del modelo en múltiples conjuntos de datos.

Principales resultados:

• El modelo DA_DCC_SSAE propuesto logró altas tasas de precisión en cuatro conjuntos de datos: 98,4% (conjunto de datos-1), 98% (conjunto de datos-2), 97,4% (conjunto de datos-3) y 96,8% (conjunto de datos-4).
• El método de selección de características ICO contribuyó a mejorar el rendimiento de la clasificación.
• El enfoque de aprendizaje profundo demostró un potencial significativo para la identificación temprana de la diabetes.

Conclusiones:

• El novedoso marco de aprendizaje profundo, que incorpora ICO y DA_DCC_SSAE, ofrece un método prometedor y altamente preciso para la detección temprana de la diabetes.
• Este enfoque puede ayudar en intervenciones oportunas, previniendo potencialmente complicaciones de la diabetes.
• Investigaciones futuras pueden explorar la integración clínica de esta herramienta de diagnóstico impulsada por IA.