基于遗传算法的卷积神经网络特征工程优化冠状动脉心脏病预测性能
Erwin Yudi Hidayat1,2, Yani Parti Astuti1,2, Ika Novita Dewi1,2
1Faculty of Computer Science, Universitas Dian Nuswantoro, Semarang, Indonesia.
Healthcare informatics research
|August 20, 2024
概括
这项研究优化了使用遗传算法 (GA) 和卷积神经网络 (CNN) 的早期冠心病 (CHD) 预测. 该GA-CNN方法显著提高了预测准确性,为人工智能驱动的医疗保健提供了强大的工具.
科学领域:
- 心血管疾病的研究研究.
- 医学中的人工智能
- 机器学习用于医疗保健
背景情况:
- 早期预测冠心病 (CHD) 对于及时干预至关重要.
- 传统的超参数优化方法在复杂的预测建模中存在局限性.
- 功能工程对于提高医疗诊断中的深度学习模型性能至关重要.
研究的目的:
- 优化早期冠心病 (CHD) 预测使用基于遗传算法 (GA) 的卷积神经网络 (CNN) 功能工程方法.
- 通过利用GA来实现卓越的CHD检测,克服传统超参数优化的局限性.
- 通过先进的AI技术,提高CHD诊断的预测性能和可靠性.
主要方法:
- 利用GA对CNN模型进行超参数优化,探索复杂的组合空间.
- 使用信息获取来优化特征选择,将CHD数据集转化为CNN的图像类输入.
- 对GA-CNN方法与传统的优化策略进行了有效性比较.
主要成果:
- 基于GA的CNN模型与传统方法相比表现出更高的性能,在超参数优化中达到85%的峰值精度.
- 当优化的CNN模型与各种机器学习算法 (天真贝叶斯,SVM,决策树,后勤回归,随机森林) 集成用于CHD预测时,实现了100%的准确性.
- 该方法在二进制和多类CHD预测任务中被证明是有效的.
结论:
- 将GA集成到CNN特征工程中显著提高了CHD预测的准确性和可靠性.
- 这种人工智能驱动的方法有望在早期检测冠心病的临床部署.
- 未来的工作包括将模型扩展到更大的CHD数据集,并探索与可穿戴技术进行连续监控的集成.
