综合深度学习用于心血管风险评估和诊断:一种进化交配算法增强的CNN-LSTM

科学领域:

• 心血管研究的心血管研究.
• 医学中的人工智能.
• 为医疗保健提供深度学习.

背景情况:

• 心血管疾病 (CVD) 是全球主要的死亡原因.
• 准确和高效的预测模型对于早期检测和干预至关重要.
• 现有的预测模型需要改进,以提高准确性和稳定性.

研究的目的:

• 开发和验证用于心血管疾病 (CVD) 预测的双输出深度学习模型.
• 使用进化交配算法 (EMA) 优化模型以提高性能.
• 将EMA优化模型与其他优化算法进行比较.

主要方法:

• 采用混合卷积神经网络-长期短期记忆 (CNN-LSTM) 深度学习架构.
• 进化交配算法 (EMA) 被用于超参数优化.
• 性能与使用粒子优化 (PSO) 和巴纳克尔交配优化 (BMO) 优化的模型进行了基准测试.

主要成果:

• 经EMA优化的双输出CNN-LSTM模型表现出卓越的预测准确性.
• 风险预测指标包括MAE为0.018,MSE为0.0006,RMSE为0.024和R2为0.98.
• 诊断任务实现了70%的准确性和80%的精度,超过了PSO和BMO.

结论:

• 进化交配算法 (EMA) 对于优化医疗保健中的双输出深度学习模型是有效的.
• 拟议的模型显示了改善心血管风险分层和早期诊断的巨大潜力.
• 这种方法为心血管医学中的临床决策提供了强大的工具.