一个大数据分析算法,用于大规模传感器医疗图像
Sarah A Alzakari1, Nuha Alruwais2, Shaymaa Sorour3
1Department of Computer Sciences, Princess Nourah bint Abdulrahman University, Riyadh, Saudi Arabia.
PeerJ. Computer science
|December 9, 2024
概括
这项研究引入了一种基于机器学习的医疗图像异常检测系统,以增强患者护理. 该系统解决了当前方法的局限性,通过高效的数据处理和特征选择来改善及时诊断和治疗.
科学领域:
- 医疗信息学 医疗信息学
- 机器学习 机器学习
- 大数据分析大数据分析
背景情况:
- 大数据分析改变了医疗保健,使得基于证据的临床决策.
- 医疗保健中的智能传感器系统引发了对敏感医疗数据的重大隐私和安全问题.
- 医疗保健中现有的异常检测方法面临着诸如高资源使用,功能选择差,以及不有效的时间数据处理等挑战.
研究的目的:
- 利用机器学习开发一个改进的医疗图像异常检测系统.
- 通过及时通知和治疗,增强患者的护理和福祉.
- 克服当前异常检测技术在资源消耗,特征选择和实时监控方面的局限性.
主要方法:
- 数据预处理,包括转移,缺失值的归算和清理.
- 使用递归特征消除 (RFE) 和动态主要组件分析 (DPCA) 进行特征选择和提取.
- 异常识别采用自编码遗传循环神经网络 (AGRNN) 方法.
主要成果:
- 拟议的系统旨在提供准确的异常检测,低延迟.
- 评估指标包括数据到达率,资源消耗,传播延迟,交易时代,真正率,错误报警率和根平均平方误差 (RMSE).
- 该研究预计将改善患者数据异常检测和及时干预.
结论:
- 开发的机器学习系统为医疗图像中异常检测提供了一个有前途的方法.
- 解决隐私和安全问题对于医疗保健中的大数据分析至关重要.
- 拟议的方法旨在提高关键医疗保健应用中异常检测的效率和准确性.
