深度神经网络模型用于增强疾病预测,使用基于自动编码器的广泛学习
Haewon Byeon1, Prashant Gc2, Shaikh Abdul Hannan3
1Department of AI and Software, Inje University, Gimhae 50834, Republic of Korea; Inje University Medical Big Data Research Center, Gimhae 50834, Republic of Korea.
SLAS technology
|May 16, 2024
概括
一个新的ABL模型通过将广义学习与否定自编码器相结合,提高了疾病预测的准确性. 这种方法改善了复杂的医疗保健数据的特征提取,达到高达98.50%的准确性.
科学领域:
- 生物信息学是一种生物信息学.
- 医疗保健信息学 医疗保健信息学
- 机器学习在医学中的应用
背景情况:
- 大数据已经改变了疾病预测模型,使得早期发现疾病成为可能.
- 深度神经网络提供高精度,但面临着像梯度不稳定和缓慢训练这样的挑战.
- 传统的广泛学习 (BL) 在增量学习方面表现出色,但在医疗保健中难以处理复杂的特征提取.
研究的目的:
- 解决复杂的医疗保健数据分析中现有模型的局限性.
- 引入一种混合模型,即适应性广泛学习 (ABL),以改善疾病预测.
- 在复杂的医疗环境中增强特征提取能力.
主要方法:
- 通过将广泛学习系统与Denoising自编码器 (AE) 集成,开发了ABL.
- 采用增量学习策略,以避免梯度下降和加速培训.
- 专注于从复杂的医疗数据集中进行强大的特征提取.
主要成果:
- 该ABL模型在从医疗数据中提取复杂特征方面表现出卓越的性能.
- 在各种数据集中实现高预测准确度高达98.50%.
- 在复杂的医疗保健场景中验证了模型的有效性.
结论:
- 在复杂的医疗保健环境中,ABL为疾病预测提供了强大的解决方案.
- 该模型的适应性和高准确性支持其在临床决策中的应用.
- ABL提供了一种灵活而准确的疾病预测方法,克服了以前方法的局限性.
