增强糖尿病预测使用跳过门的循环单元与梯度剪切方法.
Suhas Kamshetty Chinnababu1,2,3, Ananda Babu Jayachandra1,2, Swathi Holalu Yogesh2,4
1Department of Information Science and Engineering, Malnad College of Engineering, Hassan, India.
Frontiers in endocrinology
|September 11, 2025
概括
这项研究引入了一种深度学习方法,Skip-Gated Recurrent Unit (Skip-GRU) 与梯度剪切 (GC),用于有效预测糖尿病. 这种方法准确地捕捉了长期的葡萄糖水平依赖性,改善了早期疾病检测.
科学领域:
- 生物医学信息学 生物医学信息学
- 医疗保健中的机器学习
- 计算生物学 计算生物学
背景情况:
- 糖尿病是一种代谢障碍,因胰岛素缺乏或耐药性而导致高血糖症.
- 机器学习 (ML) 提供了早期糖尿病检测的潜力,但在患者数据的长期依赖性方面存在困难.
- 现有的ML模型面临着有效利用顺序数据的挑战,例如葡萄糖水平趋势,以准确预测.
研究的目的:
- 为增强糖尿病预测开发一个深度学习 (DL) 模型.
- 解决传统ML在捕捉糖尿病数据中的长期依赖性方面的局限性.
- 提高早期糖尿病检测的准确性和有效性.
主要方法:
- 开发了一种新的Skip-Gated Recurrent Unit (Skip-GRU) 深度学习架构.
- 整合梯度剪切 (GC) 技术以稳定跳过GRU训练并防止爆炸梯度.
- 对PIMA和LMCH糖尿病数据集的跳过GRU与GC方法的评估.
主要成果:
- 使用GC模型的Skip-GRU实现了高预测准确性:在PIMA数据集上达到98.23%,在LMCH数据集上达到97.65%.
- 与传统的ML方法相比,提出的DL方法显示出更高的性能.
- 跳过GRU有效地捕获了糖尿病预测的长期依赖和相关特征.
结论:
- 与GC一起的Skip-GRU是一种高效的深度学习方法,用于准确预测糖尿病.
- 这种方法克服了传统ML在处理疾病检测的顺序数据方面的局限性.
- 这种方法对早期和精确识别糖尿病有很大的希望.
