一种基于心脏病图形形态模式的胎儿健康诊断方法,使用自编码器和递归特征消除.
Haad Akmal1, Fırat Hardalaç1, Kubilay Ayturan1
1Department of Electrical and Electronics Engineering, Gazi University, Ankara 06570, Turkey.
Diagnostics (Basel, Switzerland)
|June 10, 2023
概括
一个新的机器学习模型准确地使用心电图 (CTG) 数据诊断胎儿疾病. 这种工具有助于高风险怀孕的管理,通过高精度分类胎儿状态和CTG模式.
科学领域:
- 产周医学 产周医学
- 医疗保健中的人工智能
- 用于生物医学应用的信号处理.
背景情况:
- 通过测量胎儿心率 (FHR) 和子宫收缩 (UC),对监测胎儿健康至关重要.
- 从CTG诊断胎儿痛苦需要分析复杂的模式和解决数据不平衡.
- 现有方法可以从先进的计算方法中获益,以提高准确性和决策支持.
研究的目的:
- 开发和评估用于诊断胎儿状况和分类CTG模式的机器学习模型.
- 为应对CTG分析中常见的不平衡数据集的挑战.
- 创建一个潜在的决策支持工具来管理高风险怀孕.
主要方法:
- 使用自动编码器进行特征提取和递归特征消除以进行特征选择.
- 采用贝叶斯优化来调整模型.
- 综合随机森林分类器用于胎儿状态和CTG模式分类.
- 解决了CTG数据中固有的数据集不平衡问题.
主要成果:
- 在胎儿状态分类中达到96.62%的准确性,在CTG形态模式分类中达到94.96%的准确性.
- 对于特定疾病的高预测准确度证明了这一点:98%的疑似病例和98.6%的病理病例.
- 该模型有效地处理不平衡的CTG数据,显示出强大的性能.
结论:
- 拟议的机器学习模型显示出作为围产期护理决策支持工具的巨大潜力.
- 准确的胎儿状态和CTG模式的分类可以提高高风险怀孕的管理.
- 这种方法在利用人工智能改善产科监测方面提供了有前途的进展.


