利用模糊嵌入式波形神经网络与多标准决策方法来利用生物医学数据预测冠状动脉疾病

科学领域:

• 心血管医学 心血管医学
• 医疗保健中的人工智能
• 生物医学数据分析

背景情况:

• 冠状动脉疾病 (CAD) 是全球主要的死亡原因,需要准确和及时的风险预测以进行有效的干预.
• 传统的诊断方法,如血管造影是侵入性的,昂贵的,并带有风险,突出需要先进的,非侵入性的预测模型.
• 机器学习和深度学习为分析复杂的临床指标提供了有希望的途径,以改善CAD诊断.

研究的目的:

• 开发和验证一种新技术,即利用模糊波形神经网络与冠状动脉疾病预测决策方法 (LFWNNDMA-CADP),用于准确预测CAD风险.
• 通过智能决策模型,提高诊断准确度并降低与CAD检测相关的医疗保健成本.
• 探索将多标准决策与用于生物医学数据分析的先进神经网络架构相结合的有效性.

主要方法:

• LFWNNDMA-CADP技术使用Z-score规范化进行数据预处理,并使用改进的群优化 (IACO) 进行最佳特征选择.
• 对CAD的分类是使用模糊波形神经网络 (FWNN) 模型进行的.
• FWNN模型的超参数调整是通过混合鱼优化算法与自适应差异演变 (COASaDE) 实现的.

主要成果:

• 在一个基准数据库上,LFWNNDMA-CADP方法显示了高诊断准确率99.49%.
• 拟议的方法有效地利用关键临床指标进行精确的CAD预测,优于现有技术.
• 功能选择和超参数优化对模型的优异预测性能做出了重大贡献.

结论:

• LFWNNDMA-CADP技术为冠状动脉疾病预测提供了一个高度准确和高效的方法.
• 这种方法为传统诊断方法提供了成本效益低的,侵入性较低的替代方案,有助于及时做出临床决定.
• 这项研究强调了先进的人工智能技术的潜力,比如模糊波形神经网络和混合优化算法,可以改善心血管疾病管理.