线性回归加权高斯核液态神经网络用于脑瘤疾病预测,使用时间序列数据
Firoz Khan1, Sardar Irfanullah Amanullah2, Shitharth Selvarajan3,4,5
1Center for Information and Communication Sciences, Ball State University, Muncie, USA.
Scientific reports
|February 18, 2025
概括
一个新的线性回归加权高斯核液态神经网络 (LRWGKLNN) 模型提高了脑瘤预测的准确性,并减少了处理时间. 这种先进的AI方法可以提高早期诊断,从而改善患者的治疗结果.
科学领域:
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
- 计算神经科学是一种神经科学.
背景情况:
- 大脑瘤,异常细胞生长,带来了重大的诊断挑战.
- 早期检测对于改善患者的生存率和治疗疗效至关重要.
- 现有的机器学习模型在脑瘤预测的准确性和效率方面扎.
研究的目的:
- 介绍一个新的线性回归加权高斯核液态神经网络 (LRWGKLNN) 模型用于脑瘤预测.
- 通过使用时间序列数据,提高脑瘤疾病检测的准确性和减少时间复杂性.
- 解决用于早期脑瘤诊断的传统机器和深度学习模型的局限性.
主要方法:
- 数据采集和预处理,包括缺失值赋值的线性回归和消除异常值的通用极端学生化偏差.
- 使用Cosine Congruence权重多数算法进行特征选择,以尽量减少预测时间.
- 使用高斯核化液态神经网络进行分类,并从时间序列数据中选择特征.
主要成果:
- 该LRWGKLNN模型表现出更好的性能,具有更高的准确性,精度,回忆,特异性和F1分数.
- 与现有的深度学习方法相比,实现了16%的功能选择时间消耗减少.
- 实验评估证实了该模型在各种性能指标上的有效性.
结论:
- 拟议的LRWGKLNN模型在准确和高效的脑瘤预测方面取得了重大进展.
- 这种新的方法增强了早期诊断能力,有可能改善患者的治疗结果.
- 该模型在特征选择和分类方面的效率使其成为临床应用的有希望的工具.
