预测心肌梗塞使用联合生成对抗网络模型和功能增强的损失功能的预测
Shixiang Yu1,2, Siyu Han1,2, Mengya Shi1,2
1TUM School of Medicine and Health, Technical University of Munich, 81675 München, Germany.
Metabolites
|May 24, 2024
概括
这项研究引入了一种集代谢学和临床数据的深度学习模型,以改善心肌梗塞 (MI) 预测. 这种新的方法实现了70%的准确性,识别了早期风险评估的关键生物标志物.
科学领域:
- 心血管疾病研究研究
- 生物标志物发现发现
- 计算生物学 计算生物学
背景情况:
- 精确预测心肌梗塞 (MI) 对于公共卫生至关重要,因为其死亡率和发病率很高.
- 现有的风险预测模型往往缺乏细节性,无法有效地识别高风险的个体.
- 整合各种数据类型,如临床因素和代谢学,有望提高预测能力.
研究的目的:
- 开发和验证一种新的深度学习方法,用于预测发生性心肌梗塞 (MI) 病例.
- 通过将新陈代谢学数据与传统的临床风险因素相结合,提高MI风险预测.
- 为功能增强 (GFE) 损失函数引入新的生成对抗网络 (GAN),以提高不平衡数据集中的预测准确性.
主要方法:
- 利用了来自KORA队列 (1454名参与者,78例心脏病患者) 的数据,其中包括19个临床变量和363种代谢物.
- 使用生成对抗网络 (GAN) 进行数据增强,以解决数据集不平衡问题.
- 使用SMOTE和ENN的应用多层感知子 (MLP) 模型,结合了用于MI预测的功能增强 (GFE) 损失函数的新型GAN.
主要成果:
- 拟议的深度学习模型实现了70%的预测准确度,代表了2%的改进.
- 新的GFE损失函数有助于提高预测性能.
- 确定了关键的预测变量,包括葡萄糖耐受性,性别和身体活动,突出了它们在心脏病发作风险中的重要性.
结论:
- 开发的深度学习方法显示了改善7年内心脏病风险预测的巨大潜力.
- 新的GFE损失函数提供了一种有前途的方法,用于增强具有不平衡数据的预测模型.
- 这项研究成功地确定了MI预测的新生物标志物和临床因素,为个性化预防策略铺平了道路.
