基于金字塔聚合和基于SHAP的双编码器的肺部健康评估的嗅觉诊断模型

科学领域:

• 生物医学工程 生物医学工程
• 人工智能在医学中的应用
• 呼吸系统医学 呼吸系统医学

背景情况:

• 像COPD这样的肺部疾病给全球健康带来了重大挑战.
• 早期发现与吸烟相关的肺部疾病对于有效管理至关重要.
• 对呼吸系统健康的非侵入性诊断工具有很高的需求.

研究的目的:

• 开发和验证一种新的深度学习框架,用于使用呼气分析评估肺部健康状况.
• 为了区分吸烟者,慢性阻塞性肺病 (COPD) 患者和健康对照者.
• 利用可解释的人工智能 (SHAP) 提高模型的可解释性和性能.

主要方法:

• 设计了一个深度学习框架,集成金字塔聚合和双编码器网络.
• 用SHapley添加式扩展 (SHAP) 来从传感器数据中确定特征的重要性.
• 该型号采用了滑动窗技术和白噪声增强,以增强强性.
• 在绩效评估中采用了五重交叉验证策略.

主要成果:

• 拟议的框架在区分学科组方面实现了96.40%的平均准确性.
• 该模型显示,与单个编码器基线模型相比,该模型有10.77%的显著改善.
• 进一步优化导致峰值精度达到98.46%.

结论:

• 开发的深度学习框架提供了一种高效准确的工具,用于通过呼气评估肺部健康.
• 该研究强调了人工智能在识别吸烟和COPD影响方面的潜力.
• 这项研究提出了一种新的方法,用于将深度学习应用于复杂的生物医学问题.