优化胎儿健康预测:集成建模与特征选择和提取技术的融合,用于心脏病学图形数据的提取技术
Ramdas Kapila1, Sumalatha Saleti1
1Data Science Laboratory, Computer Science and Engineering, SRM University - AP, India.
Computational biology and chemistry
|November 5, 2023
概括
这项研究开发了一种先进的机器学习模型,用于使用心脏图谱 (CTG) 数据监测胎儿健康. 新模型显著提高了诊断胎儿疾病的准确性,帮助产科医生及时进行干预.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 产科和妇科 产科和妇科
背景情况:
- 通过分析胎儿心率和子宫收缩,心电图 (CTG) 对于监测怀孕期间胎儿健康至关重要.
- 手动分析CTG数据耗时且容易出现不准确性,因此需要自动化诊断工具.
- 准确的胎儿健康分类对于及时干预,最佳胎儿发育和有效使用医疗资源至关重要.
研究的目的:
- 开发和评估一个强大的机器学习模型,使用CTG数据对胎儿健康进行智能分类.
- 为了提高诊断准确性和有效性,识别潜在的胎儿病理.
- 在临床实践中改进现有的胎儿健康评估方法.
主要方法:
- 利用CTG数据集并应用7个机器学习模型,包括投票和堆叠分类器等组合策略.
- 使用特征选择 (FS) 技术 (ANOVA,Chi-square) 和特征提取 (FE) 方法 (PCA,ICA) 进行属性选择.
- 使用合成少数群体过量采样技术 (SMOTE) 和使用堆叠分类器 (SC) 与Adaboost和随机森林 (RF) 作为元分类器的组合顶级模型来解决数据集不平衡.
主要成果:
- 提出的堆叠分类器 (SC) 模型,利用随机森林 (RF) 作为基平方和PCA的元分类器,表现出卓越的性能.
- 实现了高性能指标:98.79%的准确性,98.88%的精度,98.69%的回忆,96.32%的特异性,98.77%的F1分数.
- 在胎儿健康分类方面表现优于所有其他评估的最先进模型.
结论:
- 开发的SC模型通过CTG分析为胎儿健康监测提供了一个高度准确和高效的方法.
- 这种自动化系统有可能极大地帮助产科医生更快地进行诊断和治疗规划.
- 这项研究强调了组合方法和特征工程在改善胎儿福祉诊断能力方面的有效性.
