基于高效特征选择的新型临床决策支持系统,用于从视网膜底部图像预测青光眼

科学领域:

• 医疗成像医学成像
• 机器学习 机器学习
• 眼科医生 眼科 眼科

背景情况:

• 玻璃眼是一个渐进的视神经疾病,导致不可逆转的视力丧失,预计全球病例将增加.
• 早期检测和准确的诊断对于治疗青光眼和预防严重视力障碍至关重要.
• 目前的诊断方法可以通过先进的机器学习技术来增强,以提高准确性和效率.

研究的目的:

• 开发和评估一种新的基于元启发的特征选择技术,用于增强青光眼的分类.
• 应用引力搜索优化算法 (GSOA) 来识别视网膜底图像中最有影响力的特征.
• 提高机器学习模型在使用选定的特征诊断青光眼的性能.

主要方法:

• 来自公共和私人数据集的视网膜底图像被利用,提取了36个特征.
• 重力搜索优化算法 (GSOA) 用于基于元启发的特征选择.
• 通过使用所选特征子集,训练和评估了六种机器学习模型,采用70:30数据分割,5倍和10倍交叉验证.

主要成果:

• 提出的基于GSOA的特征选择技术显著提高了机器学习模型的分类性能.
• 这项研究在格劳科马分类方面取得了95.36%的高精度.
• 计算了8个统计绩效指标和执行时间,以验证方法的有效性.

结论:

• 基于GSOA的特征选择方法证明了使用视网膜底部图像准确检测眼的有希望的方法.
• 这种技术可以成为医疗从业者的宝贵工具,提供可靠的第二意见,并可能减少医疗保健专业人员的负担.
• 在特征选择中GSOA的成功应用有可能通过及时干预和预防视力丧失来改善患者的结果.