SRADHO:使用人工智能对疾病分类进行深度超优化的统计减少方法.
G Sathish Kumar1, E Suganya2, S Sountharrajan3
1Centre for Computational Imaging and Machine Vision, Department of Artificial Intelligence and Data Science, Sri Eshwar College of Engineering, Coimbatore, Tamil Nadu, India.
Scientific reports
|January 8, 2025
概括
这项研究引入了一种新的统计减少方法与深度超优化 (SRADHO) 准确的脑疾病诊断. 通过优化特征选择和超参数,SRADHO提高了模型性能,并减少了分析时间.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 计算神经科学是一种神经科学.
背景情况:
- 与大脑相关的疾病显著影响认知功能,需要准确和早期的诊断工具.
- 人工神经网络在疾病预测方面表现有前途,但面临着过度装配和性能下降等挑战.
- 有效的特征选择和超参数优化对于强大的医疗数据分析至关重要.
研究的目的:
- 提出一种新的统计减少方法与深度超优化 (SRADHO) 进行增强的疾病分类.
- 为了解决过度配合,不足配合,并减少医学数据分析中的计算时间.
- 使用人工智能提高脑疾病诊断的准确性和效率.
主要方法:
- 开发了SRADHO,将深度学习与超参数调整相结合,用于自动特征识别和维度减少.
- 在SRADHO中利用贝叶斯优化来校准模型权重,偏差,并选择最佳超参数.
- 在三个基准数据集上进行了实验,使用各种分类器,包括后勤回归,决策树,随机森林,k-NN,SVM和Naïve Bayes.
主要成果:
- SRADHO算法实现了高性能指标:98.2%的准确性,97.2%的精度,98.3%的回忆和98.1%的F1-Score.
- 显著降低了0.3%的错误率,执行时间仅为12秒.
- 有效优化特征选择和模型参数,优于传统方法.
结论:
- SRADHO为脑疾病分类提供了一个统计学上稳健和计算效率高的方法.
- 该技术成功地缓解了常见的深度学习挑战,从而实现了更高的诊断准确性.
- 在临床实践中,SRADHO具有促进早期和准确疾病诊断的巨大潜力.
