一种基于轻量级模糊SZGWO-ELM神经网络模型的医学疾病辅助诊断方法
Qiuju Chen1, Chenglong Zhang2, Tianhao Peng2
1Department of Automation, Moutai Institute, Renhuai, Guizhou, China. chjmtxy@163.com.
Scientific reports
|November 11, 2024
概括
这项研究引入了一种新的模糊SZGWO-ELM神经网络用于医学诊断,提高了疾病识别的效率和准确性. 改进的模型减少了培训成本和参数调整,以获得更好的诊断支持.
科学领域:
- 人工智能的人工智能
- 医疗信息学 医疗信息学
- 计算生物学 计算生物学
背景情况:
- 用于智能诊断的神经网络模型面临的挑战是对复杂的生理数据进行参数调整和高培训成本.
- 现有的方法往往需要大量调整,这限制了它们在临床环境中的实际应用.
研究的目的:
- 开发一种高效准确的模糊SZGWO-ELM神经网络模型,用于医学疾病辅助诊断.
- 通过优化参数和减少计算开销来解决传统神经网络的局限性.
主要方法:
- 引入了一个模糊的SZGWO-ELM (Salp Swarm算法优化极端学习机器) 神经网络模型.
- 在改进的灰狼优化算法 (SZGWO) 中利用Z型和S型会员功能来改进网络参数调整.
- 应用了SZGWO算法来优化极端学习机器 (ELM) 网络的参数.
主要成果:
- 与其他方法相比,SZGWO算法在趋同,平均值和标准偏差方面表现优越.
- 该SZGWO-ELM模型在五个公开的UCI医疗数据集上实现了高性能指标:99.52%的精度,94.14%的灵敏度,99.26%的特异性和96.08%的准确性.
- 拟议的方法显著提高了诊断准确性,减少了广泛的参数调整的需要.
结论:
- 模糊的SZGWO-ELM神经网络为医学疾病辅助诊断提供了一种轻量级但强大的解决方案.
- 这种方法提供了更好的准确性和效率,为诊断疾病的临床医生提供了大量支持.
- 该模型能够快速定位最佳解决方案,使其成为智能医疗系统的有希望的工具.
