通过混合人工智能技术,用于早期和准确预测心脏病的智能方法
Hazrat Bilal1,2, Yibin Tian1, Ahmad Ali2
1College of Mechatronics and Control Engineering, Shenzhen University, Shenzhen 518000, China.
Bioengineering (Basel, Switzerland)
|January 8, 2025
概括
一个新的混合型ExtraTreeClassifier和XGBoost (ETCXGB) 模型显著提高了早期心脏病诊断的准确性. 这种机器学习方法为医疗保健专业人员提供了一个有希望的工具,以降低死亡率.
科学领域:
- 心脏病学 心脏病学
- 机器学习 机器学习
- 人工智能的人工智能
背景情况:
- 对心脏病的早期和准确诊断对于有效治疗和降低死亡率至关重要.
- 传统的机器学习和深度学习模型已经显示出潜力,但可以进一步改进诊断精度.
研究的目的:
- 提出和评估一种新的混合机器学习模型,ETCXGB,用于改善心脏病的早期诊断.
- 将拟议的ETCXGB模型的性能与其他混合深度学习模型和经典机器学习方法进行比较.
主要方法:
- 通过结合ExtraTreeClassifier (ETC) 和XGBoost (XGB) 组合方法开发了一个混合模型 (ETCXGB).
- 利用ETC的预测概率作为XGB模型的输入特征来创建一个丰富的特征矩阵.
- 研究了其他混合深度学习模型:CNN-RNN,CNN-LSTM和CNN-BLSTM进行比较分析.
主要成果:
- 拟议的ETCXGB模型在心脏病诊断准确度方面取得了显著的改进.
- ETCXGB的预测准确度提高了3.91%,超过了CNN-RNN (1.95%),CNN-LSTM (2.44%) 和CNN-BLSTM (2.45%).
- 模拟结果证实,ETCXGB在所有性能指标上都超过了经典的ML和DL模型.
结论:
- ETCXGB混合ML模型在准确的心脏病诊断方面表现出卓越的性能.
- 这种先进的模型可以帮助医疗从业者及时和精确地诊断,从而有可能降低心脏病死亡率.
