使用深度学习和残余卷积网络进行有效的败血症检测
Ahmed S Almasoud1, Ghada Moh Samir Elhessewi2, Munya A Arasi3
1Department of Information Systems, College of Computer and Information Sciences, Prince Sultan University, Saudi Arabia.
PeerJ. Computer science
|September 24, 2025
概括
一个新的深度学习模型与非洲优化算法 (AVOA) 结合起来,显著提高了败血症检测的准确性. 这种先进的系统提供了更可靠和及时的诊断,对于患者的生存和治疗有效性至关重要.
科学领域:
- 医疗信息学 医疗信息学
- 人工智能在医学中的应用
- 计算生物学 计算生物学
背景情况:
- 败血症是一种危及生命的疾病,需要及时诊断和治疗.
- 当前的临床实践在及时检测败血症方面面临挑战.
- 技术进步对于改善败血症识别至关重要.
研究的目的:
- 开发一种新的深度学习模型,用于准确检测败血症.
- 使用非洲优化算法 (AVOA) 提高模型性能.
- 改善在败血症病例中的及时干预和患者结果.
主要方法:
- 使用一个增强的卷积式学习框架 (ECLF) 与状卷积.
- 整合了一个空间通道注意网络 (SCAN) 以集中特征学习.
- 采用分层扩展卷积块 (HDCB) 和残余路径卷积链 (RPCC) 来进行特征提取和传播.
- 使用非洲优化算法 (AVOA) 优化模型.
主要成果:
- 实现了高精度 (99.4%),精度 (98%),回忆 (99.2%) 和F1得分 (99.0%).
- 证明了0.998.99的曲线下的优越面积 (AUC).
- 超过了传统的临床评分和传统的机器学习方法.
结论:
- 建议使用AVOA的深度学习模型在败血症检测方面表现出卓越的准确性和可靠性.
- 这种方法有助于及时干预,可能改善患者的治疗结果.
- 该模型显示复杂的医疗数据集的稳定性和可转移性.
