混合CNN-GRU-XGBoost框架用于优化冠状动脉疾病诊断和风险分层
Muhammad Adnan1, Yi Yang2, Arnab Kumar Biswas3
1School of Information Engineering, Yangzhou University Jiangsu, 225100, China.
一个新的混合人工智能模型结合了卷积神经网络,封闭的循环单元和极端梯度增强的树分类器,显著提高了冠状动脉疾病诊断的准确性和灵敏性. 这种先进的诊断系统在各种患者个人资料中表现出强大的性能,增强了心血管疾病的检测.
科学领域:
- 心血管医学 心血管医学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 冠状动脉疾病 (CAD) 是心血管死亡的主要原因.
- 现有的诊断系统需要在区分,稳定性和可重复性方面进行改进.
- 需要先进的计算方法来准确地检测CAD.
研究的目的:
- 开发和评估一个混合AI管道,用于增强CAD诊断.
- 集成卷积编码器,封闭循环单位 (GRU) 和极端梯度增强树 (XTree) 分类器.
- 确保对阶级不平衡的稳定性,并提高诊断准确性.
主要方法:
- 一个混合CNN-GRU-XTree模型被开发出来.
- 数据预处理包括源自意识的归算,否定,标准化和分层分区.
- 多重合规少数群体增强被用来解决阶级不平衡.
- 对UCI心脏病队列进行了评估,使用80/20的持有率.
主要成果:
- 该CNN-GRU-XTree模型实现了96.03%的准确性,97.66%的灵敏度和96.17%的F1得分.
- 它在灵敏度方面表现比最强的基线 (CNN-LSTM-XTree) 高出0.76个点.
- 该模型在严重的,低风险的和边缘性CAD表型中表现出高性能.
结论:
- 拟议的CNN-GRU-XTree管道为冠状动脉疾病提供了卓越的诊断性能.
- 混合方法有效地处理阶级不平衡,并提供可靠的预测.
- 这种模型代表了计算心血管诊断的重大进步.
更多相关视频
06:57Author Spotlight: Advancing Cardiovascular Imaging - Introducing the Spatially Weighted Calcium Score for Early Disease Detection
Published on: September 22, 2023
06:16Signal Acquisition, Score Interpretation, and Economics of a Non-Invasive Point-of-Care Test for Coronary Artery Disease
Published on: August 9, 2024
相关概念视频
Coronary Artery Disease I: Introduction
Imaging Studies for Cardiovascular System VI: Calcium -Scoring CT
Acute Coronary Syndrome III: Diagnostic Studies
Coronary Artery Disease IV: Preventive Measures
Imaging Studies for Cardiovascular System V: CT
Coronary Artery Disease V: Interprofessional Care
