使用深度学习方法对冠状动脉心脏病进行分类,并进行特征选择以提高准确度.

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 生物医学信息学 生物医学信息学

背景情况:

• 冠心病 (CHD) 是导致死亡的主要原因,需要强大的风险预测模型.
• 对人类专家来说,评估众多心血管疾病的风险因素是具有挑战性的,强调需要有效的特征选择.
• 深度学习 (DL) 模型对早期冠心病检测和心血管风险评估有希望.

研究的目的:

• 开发一个深度卷积神经网络 (CNN) 模型用于CHD分类.
• 采用LASSO (最小绝对收缩和选择操作员) 技术来进行高效的特征选择.
• 使用准确度指标,将拟议模型的性能与现有研究进行比较.

主要方法:

• 使用了国家健康和营养检查调查 (NHANES) 的49个特征的CHD数据集.
• 应用了LASSO技术来进行特征选择.
• 开发了一个改进的CNN模型,具有特征提取器 (两个1D卷积层) 和分类器 (两个与SoftMax完全连接的层).
• 使用准确性,回忆,特异性和ROC指标评估模型.

主要成果:

• 拉索模型有效地从CHD数据集中选择了相关特征.
• 拟议的CNN模型实现了99.36%的高精度.
• 这种准确性明显超过了以前的模型的性能,该模型的性能在80%至92%之间.

结论:

• 综合CNN和LASSO模型为CHD分类提供了一种有效的方法.
• 这种方法可以加速心血管疾病的诊断,并根据风险特征改善心血管疾病的预测.
• 该模型显示了临床应用的重大潜力,用于识别患有心血管事件风险的个体.