在缺血性中风中使用基于ANFIS的二进制粒子群优化技术预测心脏病发作增长率II.

科学领域:

• 神经学 神经学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 缺血性中风导致脑细胞死亡,原因是血液流动受阻.
• 准确预测心脏病发作增长对于管理中风进展至关重要.
• 像ANFIS这样的现有人工智能方法面临着高维度和长时间培训的挑战.

研究的目的:

• 开发一种创新的,自动的方法,在缺血性中风患者的初始CT扫描后预测第二次心脏病发作的增长.
• 通过减少维度和培训时间来解决传统ANFIS的局限性.

主要方法:

• 这是一种新的方法,将二进制粒子群优化 (BPSO) 与自适应神经模糊推理系统 (ANFIS) 架构相结合.
• 使用皮尔森相关系数和P值选择临床相关特征.
• 拟议模型与传统ANFIS,支持向量回归器 (SVR),浅层神经网络和线性回归相比较.

主要成果:

• 开发的模型在预测心脏病发作增长方面表现出很高的准确性.
• 获得了0.091的根平均平方误差,0.0086的平均平方误差,0.064的平均绝对误差和0.074.074的等号距离.
• 与传统ANFIS相比,BPSO-ANFIS模型在缩小维度和培训时间方面显示出更高的效率.

结论:

• BPSO-ANFIS模型为预测缺血性中风进展提供了更准确,更有效的解决方案.
• 这种方法有可能改善临床决策和中风管理中的患者结果.
• 该研究强调了将优化算法与模糊推理系统相结合的有效性,用于复杂的医学预测.