HFSA:混合特征选择方法,以改善医疗诊断系统的医疗诊断系统

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 计算生物学 计算生物学

背景情况:

• 准确和快速的患者诊断对于有效的治疗至关重要.
• 传统的诊断方法可能耗时且容易出现错误.
• 人工智能 (AI) 提供了提高诊断准确性和效率的潜力.

研究的目的:

• 引入一种新的,多层次的诊断系统 (DS),用于准确的疾病诊断.
• 开发和评估一种新的混合特征选择方法 (HFSA),用于增强数据分析.
• 与现有的诊断模型对比拟的DS的性能.

主要方法:

• 诊断系统 (DS) 包含三个层:拒绝层 (RL),选择层 (SL) 和诊断层 (DL).
• 在RL中异常排斥是使用遗传算法 (GA) 进行的.
• 在SL中特征选择采用了拟议的混合特征选择方法 (HFSA),包括一个快速阶段 (FS) 与chi-square和一个精确阶段 (AS) 与混合优化算法 (HOA).
• 诊断层 (DL) 使用纯粹的贝叶斯 (NB) 分类器进行最终诊断.

主要成果:

• 混合特征选择方法 (HFSA) 与其他特征选择方法相比,表现优越.
• 通过HFSA,天真贝斯 (NB),K-最近邻居 (KNN) 和人工神经网络 (ANN) 分类器可以实现最大的准确性,精度和回忆.
• 拟议的诊断系统 (DS),包括GA,HFSA和NB,在实验评估中表现优于其他诊断模型.

结论:

• 新的混合特征选择方法 (HFSA) 显著提高了诊断系统的准确性和效率.
• 综合诊断系统 (DS) 显示出强大的潜力,可以在临床实践中增强患者诊断.
• 像拟议的DS一样,人工智能驱动的诊断工具对于推进医疗保健成果至关重要.