一个高效的增强堆叠自动编码器协助优化深度神经网络预测干眼疾病
1Department of Electronics and Communication Engineering, Vins Christian College of Engineering, Chunkankadai, Nagercoil, Tamil Nadu, 629502, India. steffirajan7@gmail.com.
Scientific reports
|October 22, 2024
概括
这项研究提出了一个新的深度学习模型,ESAE-ODNN,用于预测干眼疾病 (DED). 该模型通过分析Meibomian Gland Dysfunction特征来实现早期DED诊断的高准确性.
科学领域:
- 眼科医生 眼科 眼科
- 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:
- 梅博米腺功能障碍 (MGD) 和干眼疾病 (DED) 是普遍存在的眼睛疾病,影响全球数百万人.
- 早期发现和管理DED对于改善患者的生活质量 (QoL) 至关重要.
- 现有的诊断方法可能无法完全捕捉DED的复杂病因因素.
研究的目的:
- 引入一个先进的深度学习模型,即增强型堆叠自编码器优化深度神经网络 (ESAE-ODNN),用于准确和早期预测DED.
- 通过整合复杂的特征选择和提取技术来增强DED的识别和分类.
- 通过新的优化策略,提高DED诊断的效率和准确性.
主要方法:
- 该ESAE-ODNN模型利用特征选择 (FS) 结合混乱地图和特征提取 (FE) 通过堆叠自编码器 (ESAE) 来识别关键的MGD相关特征.
- 一个深度神经网络 (ODNN) 分类器用于DED预测,使用增强量子细菌食优化算法 (EQBFOA) 进行优化.
- 该模型结合了SLSTM-STSA,以提高分类准确度,并将无关/多余的功能最小化,以获得强大的性能.
主要成果:
- 拟议的ESAE-ODNN模型在预测DED时实现了96.34%的高分类准确性.
- 该方法在准确识别方面表现出效率,减少了计算复杂性和微调性能.
- 实验评估证实了该模型在处理复杂的特征和高维数据方面的强度.
结论:
- 该ESAE-ODNN模型为早期诊断DED提供了一种新且高效的方法.
- 深度学习与高级优化技术的整合显著改善了MGD特征的理解和分类.
- 拟议的方法优于现有的最先进的DED预测技术,为临床应用提供了一个有前途的工具.
