一个高效的缩小维度的框架,使用metaheuristic优化与深度学习模型对肌缩侧面硬化症疾病的进展预测

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 肌缩侧面硬化 (ALS) 是一种进展性神经退行性疾病,影响运动神经元,导致严重残疾和呼吸衰竭.
• 形性质的ALS进展使患者的分层和治疗疗效复杂化.
• 最近人工智能 (AI) 的进展,包括深度学习 (DL) 和机器学习 (ML),为复杂疾病建模提供了潜在的解决方案.

研究的目的:

• 开发和验证一种有效的AI驱动模型,用于预测肌缩侧面硬化 (ALS) 疾病的进展.
• 通过准确的疾病进展预测,增强患者分层和治疗策略.
• 利用先进的元启发式优化和深度学习技术来提高ALS预测的准确性.

主要方法:

• 开发了一个新的框架,DRMODL-ALSDP,集成缩小维度,元启发优化和深度学习模型.
• 数据预处理包括min-max规范化和类不平衡的SMOTE. 使用二进制剑鱼运动优化算法 (BSMOA) 进行了特征选择.
• 分类使用了混合的时空卷积网络 (TCN) 和长期短期记忆 (LSTM) 与注意力机制 (TCN-LSTM-AM),由海洋捕食者算法 (MPA) 优化.

主要成果:

• 在预测ALS疾病进展方面,DRMODL-ALSDP模型表现出卓越的性能.
• 实现了高分类准确率98.17%,在比较模拟中表现优于现有方法.
• 综合方法有效地处理数据预处理,特征选择和超参数优化,以提高预测.

结论:

• 拟议的DRMODL-ALSDP框架为预测ALS疾病进展提供了一个高度准确和有效的方法.
• 这种人工智能驱动的方法具有显著的潜力,可以改善患者分层,并指导ALS的个性化治疗策略.
• 该研究强调了将元启发式优化与先进的深度学习模型相结合的力量,以应对复杂的神经系统疾病.