一个基于机器学习的新型混合系统,使用深度学习技术和元启发算法来对各种医疗数据类型进行分类

科学领域:

• 计算机科学在医学中的应用
• 医疗保健中的人工智能
• 医学图像分析 医学图像分析

背景情况:

• 准确及时的疾病诊断对于改善患者的治疗结果至关重要.
• 计算机科学的进步,特别是机器学习,为医疗应用提供了强大的工具.
• 现有的分析复杂医疗数据的方法,如MRI和CXR图像,可以得到改进,以获得更高的精度.

研究的目的:

• 开发和评估一种混合机器学习模型,用于准确分类医疗图像.
• 将深度学习技术与元启发式算法相结合,用于特征选择和维度减少.
• 为了验证模型在各种医疗数据集上的性能,包括脑瘤和COVID-19胸部X射线.

主要方法:

• 使用混合机器学习方法,将深度学习 (卷积神经网络 - CNN,自动编码器) 与元启发算法 (粒子优化 - PSO) 集成在一起.
• 开发了一个组合网络,使用深度学习提取功能,并通过PSO选择最佳功能,减少数据维度.
• 将混合模型应用于两个医疗数据集:脑瘤MRI和COVID-19胸部X射线 (CXR).

主要成果:

• 在两个数据集上取得了高度准确的分类结果,证明了模型的有效性.
• 使用CNN-PSO-SVM组合,COVID-19数据集的最大准确率为99.76%.
• 大脑瘤数据集通过Autoencoder-PSO-KNN组合实现了99.51%的最大精度.

结论:

• 拟议的混合机器学习方法为医学图像分类提供了创新和有效的解决方案.
• 这种方法在保持性能的同时显著降低了数据的维度,从而导致非常准确的诊断预测.
• 该模型在不同医学成像任务中的成功突出了其在临床环境中广泛应用的潜力.