加强神经疾病诊断:深度转移学习与优化算法的融合,用于使用面部图像进行急性脑中风预测
Fadwa Alrowais1, Mohammed Alqahtani2, Jahangir Khan3
1Department of Computer Sciences, College of Computer and Information Sciences, Princess Nourah Bint Abdulrahman University, P.O. Box 84428, 11671, Riyadh, Saudi Arabia.
Scientific reports
|April 10, 2025
概括
这项研究引入了一种新的AI方法,用于使用面部图像进行早期中风检测. ENDDFTL-ABSPFI技术达到98.60%的准确性,显著改善了中风预测和患者护理.
科学领域:
- 神经学 神经学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 脑卒中是导致死亡和残疾的主要原因,构成重大威胁,特别是对老龄化人口.
- 目前的中风查包括体检和风险因素评估,CT和MRI作为标准诊断工具.
- 人工智能 (AI) 通过增强现有的成像方法,为更快,更准确的中风检测提供了潜力.
研究的目的:
- 提出一种人工智能驱动的方法,ENDDFTL-ABSPFI,用于使用面部图像进行增强的急性脑中风预测.
- 提高中风检测和分类模型的准确性和效率.
- 为了利用转移学习和深度学习来早期识别中风.
主要方法:
- 使用基于模糊的中间波器 (FMF) 进行图像预处理,以减少噪声.
- 通过Inception-V3和EfficientNet-B0模型的融合提取特征.
- 使用混合卷积神经网络和双向长短期记忆 (CNN-BiLSTM) 模型进行分类.
- 使用多目标帆鱼优化 (MOSFO) 的超参数优化.
主要成果:
- 拟议的ENDDFTL-ABSPFI方法在中风检测和分类方面表现出卓越的性能.
- 在Kaggle数据集上实现了98.60%的高精度.
- 在比较评估中表现优于现有方法.
结论:
- ENDDFTL-ABSPFI方法对准确和早期急性脑中风预测有显著的前景.
- 人工智能集成,特别是面部成像分析,可以增强神经学的诊断能力.
- 这种方法有可能通过及时干预来改善患者的治疗结果.
