基于进化的深度学习网络模型使用适应混合差异进化和急性肺栓塞中的应用

科学领域:

• 人工智能在医学中的应用
• 计算生物学 计算生物学
• 医疗信息学 医疗信息学

背景情况:

• 急性肺栓塞 (APE) 呈现非特异性症状,导致诊断挑战和高死亡率.
• 目前APE的风险分层方法通常是复杂的,侵入性的,缺乏可重复性.
• 对于APE预测和分析的高效和准确的工具有着至关重要的需求.

研究的目的:

• 开发一个基于进化的深度学习网络,EDLAlexNet,用于精确预测和分析APE患者.
• 利用可访问的临床数据,包括血液生物化学指数,生命体征和临床特征.
• 为APE评估提供可靠的临床工具,具有高准确度,特异性,灵敏度和AUC.

主要方法:

• 开发了EDLAlexNet模型,集成了自适应混合差异演化 (MIXDE) 进化计算方法.
• 在MIXDE算法中整合了Q学习和基于对立的学习.
• 在标准数据集上验证了MIXDE算法的性能,并应用EDLAlexNet模型来分析患者数据.

主要成果:

• 在APE预测方面,EDLAlexNet实现了高性能:准确率为93.76%,特异性为89.46%,灵敏度为95.74%.
• 该模型显示曲线下的显著面积 (AUC) 为0.9527.7.
• 这些结果证实了该模型在精确预测和分析APE患者方面的有效性.

结论:

• 结合MIXDE算法的EDLAlexNet模型在APE预测和分析方面表现出色.
• 该模型解决了当前APE评估方法的局限性.
• EDLAlexNet有可能成为APE评估和管理的有价值的临床工具.