优化特征选择和深度神经网络以改善心脏病预测
Changming Tan1, Zhaoshun Yuan2, Feng Xu3
1Department of Cardiovascular Surgery, The Second Xiangya Hospital of Central South University, No139 Renmin Road, Changsha, Hunan Province, 410011, People's Republic of China. tanchangming79@csu.edu.cn.
Journal of imaging informatics in medicine
|April 16, 2025
概括
这项研究引入了一种新的深度学习模型,用于使用常规物理标记器准确预测心脏病. 该系统实现了高精度,使得心脏病的早期诊断更快,更可靠.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 生物医学信息学 生物医学信息学
背景情况:
- 心脏病对全球健康构成重大挑战,其特点是高死亡率和患病率上升.
- 通过常规的物理标记器进行早期检测对于有效的干预至关重要,但手动数据分析效率低下,容易出现错误.
研究的目的:
- 开发一个快速可靠的系统来预测心脏病,使用深度学习和特征选择的组合.
- 克服手动分析在大型健康数据集中的局限性.
主要方法:
- 一种混合模型,将深度卷积神经网络 (CNN) 与线性支向量分类 (LinearSVC) 集成,用于特征选择.
- 使用随机搜索算法对CNN进行超参数调整,以优化性能并防止训练问题.
- 在UCI和MIT公共数据集上进行验证.
主要成果:
- 拟议的模型实现了高预测性能,在UCI数据集上,准确率高达98.2%.
- 报告了优秀的性能指标,包括精度,回忆和F1分数.
- 获得了90%的平均马修斯相关系数 (MCC) 得分,表明强大的预测能力.
结论:
- 开发的深度学习模型在预测心脏病方面表现出显著的有效性和可靠性.
- 这种方法为早期心脏病检测提供了一个有希望的自动化解决方案,提高了诊断速度和准确性.
- 集成先进的机器学习技术可以增强对临床数据的分析,以获得更好的患者结果.
