使用具有晚期融合的卷积神经网络来预测心脏病
Deema Mohammed AlSekait1, Mohammed Zakariah2, Syed Umar Amin3
1Department of Information Technology, College of Computer and Information Sciences, Princess Nourah Bint Abdulrahman University, P.O. Box 84428, 11671, Riyadh, Saudi Arabia.
Scientific reports
|November 21, 2025
概括
这项研究引入了一种新的深度学习方法,使用卷积神经网络 (CNN) 和深度神经网络 (DNN) 来准确预测心脏病. 混合模型获得了近乎完美的分数,提高了患者健康和医疗数据管理.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 心血管疾病 (CVD) 是全球主要的死亡原因,需要改进的诊断工具.
- 机器学习和数据挖掘为更快,更准确的患者诊断提供了先进的方法.
- 传统的诊断方法可能耗时,可能缺乏人工智能驱动方法的精度.
研究的目的:
- 提出一种用于预测心脏病的新型晚期融合深度学习方法.
- 开发一种混合架构,将CNN和DNN结合起来,以提高诊断准确度.
- 通过精确的预测算法来改善患者健康结果和简化医疗数据管理.
主要方法:
- 利用了来自UCI机器学习库的303个实例和13个特性的数据集.
- 实施了晚期融合技术,将卷积神经网络 (CNN) 结合用于专业数据模式和深度神经网络 (DNN) 进行表式数据分析.
- 开发了一种混合架构,将数值特征与图形表示结合起来,以捕捉空间和顺序属性.
主要成果:
- 新的晚期融合模型在识别心脏病方面表现出高准确性.
- 在验证和测试集上,在准确性,精度和回忆方面实现了零%的误差.
- 获得了99.99%的F1得分,表明了卓越的预测性能.
结论:
- 开发的混合深度学习模型为心脏病预测提供了精确和可扩展的解决方案.
- 这种方法显著提高了医学诊断的准确性,为未来的研究提供了坚实的基础.
- 这些发现有助于改善患者护理和更有效的医疗数据管理.
