SMENN-混合:一种高效的技术,将合成少数人过量采样技术与糖尿病预测的集体学习相结合

科学领域:

• 医疗信息学 医疗信息学
• 机器学习 机器学习
• 计算生物学 计算生物学

背景情况:

• 糖尿病 (DM) 是一个重要的全球健康问题,有许多未被诊断的病例.
• 早期发现和治疗DM是防止严重并发症至关重要的.
• 现有的诊断方法需要改进,以提高准确性和效率.

研究的目的:

• 开发和评估一种有效的混合技术,用于糖尿病检测.
• 将合成少数群体过量采样技术与编辑的最近邻居 (SMOTE-ENN) 和集体学习相结合.
• 为了确定最佳的组合方法,提高糖尿病分类.

主要方法:

• 建议采用混合方法 (SMENN-Hybrid),将SMOTE-ENN与集体学习相结合.
• 梯度提升通过多度量评估被选为最佳组合方法.
• 该技术在五个不同的数据集上使用5倍交叉验证和消去研究进行了验证.

主要成果:

• 在SMENN-Hybrid方法中,在数据集中表现出异常的概括性和稳定性.
• 渐变增强实现了 99.93/100 的复合得分,变化系数低 (<2%).
• 与基线相比,F1-Score (+16.78%) 和回忆 (+29.47%) 显著改善,实际推断时间为 (2.47ms).

结论:

• 拟议的SMENN-Hybrid框架是糖尿病检测的高度有效和一致的解决方案.
• 它在多个数据集和验证指标上的性能表明其具有临床部署能力.
• 这种方法为医疗保健分类任务提供了优势,使得早期和准确的糖尿病诊断成为可能.