智能中风疾病预测模型使用深度学习方法

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 在全球范围内,中风是导致死亡和残疾的主要原因.
• 早期发现中风预警信号对于及时干预和降低严重程度至关重要.
• 传统方法难以处理复杂的生理数据和样本不平衡.

研究的目的:

• 使用深度神经网络开发一个准确和强大的中风预测模型.
• 解决中风预测中不平衡数据集的挑战.
• 为了利用生理特征来预测中风风险.

主要方法:

• 利用Wasserstein生成对抗网络与梯度惩罚 (WGAN-GP) 进行高保真数据增强.
• 设计了一个深度回归网络,以模拟生理参数和中风风险之间的非线性关系.
• 与传统的机器学习算法 (决策树,随机森林,SVM,ANN) 进行比较.

主要成果:

• 拟议的深度学习模型基于F-测量指数实现了最佳性能.
• 为了克服样本不平衡,WGAN-GP有效地生成了高准确度的合成数据.
• 废弃实验证实了开发的中风预测模型的稳定性和有效性.

结论:

• 深度神经网络,特别是拟议的WGAN-GP和回归网络,为中风风险预测提供了强大的方法.
• 数据增强技术对于提高在不平衡数据集上训练的模型性能至关重要.
• 开发的模型显示了在早期中风检测和预防中临床应用的巨大潜力.