动态特征选择和量子表示用于准确预测心脏病:量子心脏病网方法
1Department of Computer Science and Engineering, SRM Institute of Science and Technology, Ramapuram, Chennai, Tamil Nadu, India.
Computer methods in biomechanics and biomedical engineering
|February 5, 2025
概括
这项研究引入了量子心脏病网,用于早期预测心血管疾病. 这种新的框架实现了高精度,通过先进的特征选择和基于量子的深度学习模型,改善了患者的治疗结果.
科学领域:
- 心脏病学和人工智能的人工智能
- 生物医学数据科学 生物医学数据科学
- 量子计算应用 量子计算应用
背景情况:
- 心血管疾病 (CVD) 是全球死亡的主要原因.
- 准确和早期预测心血管疾病对于有效的患者管理至关重要.
- 现有的预测模型面临着复杂数据和不平衡数据集的挑战.
研究的目的:
- 为心脏病风险预测开发一种新的高性能框架.
- 通过使用先进的计算技术,提高诊断准确性和效率.
- 解决心血管数据集中的数据不平衡问题.
主要方法:
- 集成一个动态相反的鱼优化算法,以实现最佳的特征选择.
- 使用基于量子注意力的双向门循环单元 (QABiGRU) 进行心脏病分类.
- 应用合成少数超样本技术 (SMOTE) 来缓解数据不平衡.
主要成果:
- 量子心脏病网络模型在三个心脏病数据集中表现出卓越的性能.
- 实现了高诊断指标:98.87%的准确性,98.74%的精度,98.56%的回忆.
- 在实验评估中表现优于传统的心脏病预测方法.
结论:
- 拟议的量子心脏病网络框架对于早期和准确的心脏病预测是有效的.
- 先进的优化和量子深度学习的结合大大提高了诊断能力.
- 这种方法有望提高心血管护理中的患者结果.
