基于深度学习的甲状腺预测与基于反对学习的红熊猫优化功能选择选择

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 生物医学数据分析

背景情况:

• 预测甲状腺疾病需要准确和强大的模型.
• 现有的方法可能会受到偏差结果和低于最佳特征提取的影响.
• 公共可用的数据集为开发先进的预测工具提供了潜力.

研究的目的:

• 介绍一种新的,基于级联自编码器的甲状腺预测循环模型.
• 开发基于对立学习的红熊猫优化 (OL_RPO) 算法,以实现最佳的特征选择.
• 为了提高甲状腺预测的准确性和稳定性,使用增强型变压器模型.

主要方法:

• 为标准化和平衡而预处理三个公共数据集.
• 使用级联自编码器-简单的循环模型用于时空特征提取.
• 采用OL_RPO算法进行最佳特征选择.
• 使用增强型变压器模型进行甲状腺预测.

主要成果:

• 拟议的模型实现了高性能指标:准确性 (99%),特异性 (99.2%),灵敏性 (99.01%),F-Score (98.501%),PPV (98.1%) 和NPV (1.9%).
• 记录了0.07689的非常低的错误率.
• OL_RPO算法有效地提高了预测模型的效率.

结论:

• 这种新的方法证明了准确和强大的甲状腺预测的巨大潜力.
• 集成先进的人工智能模型和优化算法为医学诊断提供了一个有希望的方向.
• 拟议的方法提供了使用公共数据进行甲状腺预测的标准化和平衡方法.