FMI-CAECD:将多输入卷积特征与心血管疾病预测的增强频道注意力融合在一起

科学领域:

• 计算生物学是一种计算生物学.
• 医疗信息学医学信息学
• 医疗保健中的人工智能

背景情况:

• 心血管疾病 (CVD) 构成了全球严重的健康负担和经济挑战.
• 现有的心血管疾病预测模型难以捕捉复杂的生理数据关系,限制了准确的风险评估.
• 需要先进的计算方法来改善心血管疾病风险分层.

研究的目的:

• 引入一个新的框架,FMI-CAECD,用于增强心血管疾病风险预测.
• 利用深度学习,特别是带有注意力机制的1D-CNN,以改进特征提取和非线性关系识别.
• 利用SHAP分析,以透明地理解特征在心血管疾病预测中的重要性.

主要方法:

• 开发FMI-CAECD框架,集成一个多输入,一维卷积神经网络 (1D-CNN) 与注意力机制.
• 该框架应用于心血管疾病风险评估的BRFSS 2022数据集.
• 纳入沙普利添加式解释 (SHAP) 进行可解释特征重要性分析.

主要成果:

• FMI-CAECD显示出卓越的性能指标:97.45%的准确性,96.84%的灵敏性,95.07%的特异性,92.44%的F1分数.
• 该模型在CVD预测中表现优于传统的机器学习基线和其他深度学习方法.
• 注意力机制有效地识别了生理数据中的关键特征和非线性模式.

结论:

• 拟议的FMI-CAECD框架为心血管疾病风险评估提供了一个高度准确和可靠的方法.
• 注意力机制和SHAP分析的整合提高了模型的解释性和预测能力.
• 在管理心血管疾病方面,FMI-CAECD为临床决策支持和公共卫生战略提供了有希望的进展.