使用光梯度增强模型与SHAP可解释AI进行胎儿和母亲健康管理的自动化方法
Nisreen Innab1, Shtwai Alsubai2, Ebtisam Abdullah Alabdulqader3
1Department of Computer Science and Information Systems, College of Applied Sciences, AlMaarefa University, Diriyah, Riyadh, Saudi Arabia.
Frontiers in public health
|January 6, 2025
概括
这项研究引入了一种新的机器学习模型,用于使用心脏图谱 (CTG) 数据对胎儿健康进行分类. 该模型在识别正常,可疑和病态胎儿状况方面达到很高的准确性,改善产前护理.
科学领域:
- 产科和妇科 产科和妇科
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 胎儿健康监测对于产前护理和产科至关重要.
- 早期发现胎儿健康异常可以改善母亲和胎儿的结果.
- 心电图 (CTG) 数据为胎儿评估提供了关键的生理参数.
研究的目的:
- 开发和评估用于准确胎儿健康分类的机器学习模型.
- 用SMOTE解决医学诊断数据集中的类不平衡问题.
- 将拟议模型的性能与现有方法进行比较.
主要方法:
- 使用心脏图谱 (CTG) 数据,具有21个特征.
- 应用合成少数群体过量采样技术 (SMOTE) 用于数据平衡.
- 开发了一个使用光梯度增强机器的分类模型.
主要成果:
- 实现了高性能指标:准确度为0.9989,AUC为0.9988,回忆力为0.9832,精度为0.9834,F1分数为0.9832.
- 与其他机器学习模型相比,表现出卓越的性能.
- 通过十倍交叉验证和与最先进模型进行比较,验证了显著性.
结论:
- 拟议的光梯度增强机器模型有效地使用CTG数据对胎儿健康进行分类.
- 该方法,包括SMOTE,为不平衡的医疗数据集提供了强大的解决方案.
- 这种方法有可能提高产前诊断和改善胎儿福祉.
更多相关视频
09:51Model Surgical Training: Skills Acquisition in Fetoscopic Laser Photocoagulation of Monochorionic Diamniotic Twin Placenta Using Realistic Simulators
Published on: March 21, 2018
19.5K
05:35Author Spotlight: Developing a Point-of-Care Hemoglobin Estimation Method for Anemia Management
Published on: January 19, 2024
670
