[基于多式特征融合的偏激性心房的预测方法]
Yongjian Li1, Lei Liu1, Meng Chen1
1School of Control Science and Engineering, Shandong University, Jinan 250061, P. R. China.
概括
使用一种结合机器学习和深度学习的新方法,可以更好地预测阳动脉动 (PAF) 风险. 这种多模式融合方法在公共和临床数据集中实现了高准确性,显示了现实应用的巨大潜力.
科学领域:
- 生物医学工程 生物医学工程
- 医疗保健中的人工智能
- 心血管疾病研究研究
背景情况:
- 在临床实践中,预测动性心房动 (PAF) 风险仍然是一个重大挑战.
- 现有的方法往往难以整合多样化的数据源来进行全面的风险评估.
研究的目的:
- 开发和验证一种新的PAF风险预测方法.
- 通过整合机器学习和深度学习来利用多式联网功能融合.
- 提高PAF风险预测模型的准确性和通用性.
主要方法:
- 利用机器学习用于特征工程和深度学习用于端到端建模.
- 采用多式联运特征融合来整合各种数据类型.
- 应用了四种特征选择方法和皮尔森相关性分析来确定最佳特征.
- 用于最终PAF风险评估的随机森林.
主要成果:
- 提出的方法实现了高精度 (92.3%公众,91.4%临床) 和F1得分 (91.6%公众,90.8%临床).
- 在多中心数据集中表现出强大的性能,表明强大的泛化能力.
- 验证了多式联运特征融合在改善PAF风险预测方面的有效性.
结论:
- 综合机器学习和深度学习方法为PAF风险预测提供了强大的工具.
- 该方法显示出有前途的临床适用性,由于其高精度和通用性.
- 多模式特征融合是推进心血管疾病风险评估的关键因素.
