CSA-DE-LR:通过一种新的混合机器学习方法来增强心血管疾病诊断

科学领域:

• 医学诊断 医学诊断 医学诊断
• 计算生物学 计算生物学
• 机器学习 机器学习

背景情况:

• 心血管疾病 (CVD) 是全球主要的健康问题,推动了改善诊断工具的需求.
• 传统的机器学习 (ML) 方法在复杂的诊断任务中面临特征选择和优化方面的挑战.
• 超启发式算法提供了潜在的解决方案,但需要集成以提高性能.

研究的目的:

• 引入一种新的混合ML模型,CSA-DE-LR,用于高效的CVD诊断.
• 使用克隆选择算法 (CSA) 和微分演化 (DE) 来优化后勤回归 (LR).
• 为了提高CVD分类的准确性和效率.

主要方法:

• 开发了一个混合模型 (CSA-DE-LR),结合了CSA,DE和LR.
• 采用了基于F1分数,马修斯相关系数 (MCC) 和平均绝对误差 (MAE) 的三个优化策略.
• 在基准数据集 (克利夫兰,Statlog) 和概括数据集 (WBCO,WBCD) 上评估性能.

主要成果:

• 在基准数据集上,CSA-DE-LR显著超过了最先进的ML方法.
• 该模型在心血管疾病诊断方面与以前的研究相比,显示出更高的疗效.
• 通过优化后勤回归权重实现了更高的诊断准确性.

结论:

• 混合机器学习方法,如CSA-DE-LR,在医疗数据分析方面取得了重大进展.
• 拟议的模型显示了提高心血管疾病诊断准确性的巨大潜力.
• 这项研究有助于开发更有效的CVD诊断工具.