通过整合多个分类器来预测脑中风和关键疾病,优化早期诊断
Ravnoor Singh1, Satinder Kaur1, Gurpreet Singh2
1Department of Computer Engineering and Technology, Guru Nanak Dev University, Amritsar, India.
Scientific reports
|November 18, 2024
概括
机器学习模型可以准确地预测脑中风,阿尔茨海默病,癌症和帕金森病. 一个组合的随机森林和决策树模型实现了早期脑中风预测99%的准确性.
科学领域:
- 医疗信息学 医疗信息学
- 计算生物学 计算生物学
- 人工智能在医学中的应用
背景情况:
- 机器学习 (ML) 对于医学预后越来越重要.
- 早期疾病预测,例如脑中风,对于患者的结果至关重要.
- 脑中风是导致死亡的主要原因,需要先进的诊断工具.
研究的目的:
- 开发强大的ML模型,用于早期预测脑中风,阿尔茨海默病,心脏病发作,癌症和帕金森病.
- 确定一种优越的ML技术用于早期脑中风检测,旨在减少严重的后并发症发生率.
- 在多种神经和心血管疾病中评估和比较各种ML分类器和整体模型的性能.
主要方法:
- 训练有素的ML模型使用五个不同的数据集来预测疾病.
- 采用了八个个别分类器和56个组合模型 (软硬投票) 进行脑中风预测.
- 利用8个个别分类器进行心脏病发作,癌症,阿尔茨海默病和帕金森病的早期预测.
主要成果:
- 一种混合模型将随机森林和决策树与硬投票相结合,在早期脑中风预测方面实现了99%的准确性.
- 拟议的大脑中风模型显示了98%的精度,100%的回忆和99%的F1分数.
- XGBoost在预测癌症,帕金森病和阿尔茨海默病方面表现出色,而伯努利天真贝叶斯在预测心脏病发作方面是最佳的.
结论:
- 开发的ML模型,特别是随机森林和决策树组合,显示出在早期疾病预测方面具有很高的有效性.
- 该研究强调了ML在显著提高关键神经和心血管疾病的诊断准确性的潜力.
- 这些发现表明,集体方法可以在复杂的医疗预测任务中优于单个分类器.
