DOI: https://doi.org/10.1038/s41598-024-71932-z
PMID: https://pubmed.ncbi.nlm.nih.gov/39294203
تاريخ النشر: 2024-09-18
المؤلف: Biao Xia وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
تقدم البحث نموذج تشخيص أمراض القلب والأوعية الدموية الذكي القائم على تحسين مستعمرة النمل مع التعلم العميق المعزز (ICVD-ACOEDL)، المصمم لتحسين تشخيص أمراض القلب والأوعية الدموية (CVD) من خلال تقنيات التعلم الآلي المتقدمة. نظرًا للتحديات التي تطرحها تعقيدات مجموعات بيانات الرعاية الصحية وضرورة التشخيص المبكر والدقيق بسبب الزيادة المتزايدة في انتشار أمراض القلب والأوعية الدموية، يدمج نموذج ICVD-ACOEDL اختيار الميزات (FS) وتحسين المعلمات الفائقة. يستخدم مقياس min-max لإعداد البيانات بشكل متسق، ويستخدم تحسين مستعمرة النمل (ACO) لتحديد مجموعة فرعية مثالية من الميزات، ويطبق تحسين بايزي لضبط المعلمات الفائقة لمصنف الشبكة العصبية المعززة بالتعلم العميق (DLENN).
تشير النتائج إلى أن نموذج ICVD-ACOEDL يتفوق بشكل كبير على تقنيات التشخيص الحالية، محققًا دقة مثيرة للإعجاب تبلغ 99.71% على مجموعات بيانات طبية معيارية. لا تعزز هذه المقاربة المتكاملة كفاءة ودقة تصنيف أمراض القلب والأوعية الدموية في الإعدادات الطبية العملية فحسب، بل تشير أيضًا إلى إمكانية تحقيق تحسينات إضافية من خلال دمج طرق اكتشاف القيم الشاذة وتجمع البيانات. تؤكد الدراسة على فعالية دمج ACO لاختيار الميزات، وتوسيع نطاق min-max لإعداد البيانات، وتحسين بايزي لضبط المعلمات الفائقة في سياق تشخيص أمراض القلب والأوعية الدموية.
نقاش
في مناقشة تقنيات التعلم الآلي (ML) المختلفة لتشخيص أمراض القلب (HD)، تسلط العديد من الدراسات الضوء على فعالية منهجيات مختلفة. استكشف ناغافيلي وآخرون أربعة نهج رئيسية، بما في ذلك بايزي الساذج مع نموذج احتمالي موزون، وتقنية تحليلية آلية لاكتشاف نقص التروية، ومزيج من آلة الدعم الناقل (SVM) مع تعزيز التدرج المتطرف (XGBoost)، والتي أظهرت دقة عالية في تصنيف أمراض القلب. أشاروا إلى أن اختيار الطريقة يعتمد على عوامل مثل قوة المعالجة وتوافر البيانات. دراسات أخرى، مثل تلك التي أجراها علي وآخرون ولي وآخرون، قارنت بين طرق التعلم الآلي الخاضعة للإشراف المختلفة، مع التأكيد على أهمية صلة الميزات ودمج مصنفات متعددة لتعزيز دقة التنبؤ.
تهدف الطريقة المقترحة ICVD-ACOEDL إلى تحسين تشخيص أمراض القلب والأوعية الدموية (CVD) من خلال مزيج من توسيع البيانات، وتحسين مستعمرة النمل (ACO) لاختيار الميزات، والشبكات العصبية المعززة بالتعلم العميق (DLENN) للتصنيف. تستخدم هذه المقاربة تحسين بايزي (BO) لضبط المعلمات الفائقة، مما يضمن أداءً قويًا للنموذج. يتضمن تصميم الطريقة عملية اختيار ميزات جديدة تتكيف مع أداء المصنف، مما يعزز الدقة التشخيصية العامة. تعكس دمج هذه التقنيات المتقدمة تقدمًا كبيرًا في هذا المجال، مما يعد بتقييمات أكثر دقة وكفاءة لمخاطر أمراض القلب والأوعية الدموية مع استمرار تطور البحث.
DOI: https://doi.org/10.1038/s41598-024-71932-z
PMID: https://pubmed.ncbi.nlm.nih.gov/39294203
Publication Date: 2024-09-18
Author(s): Biao Xia et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
The research presents the Intelligent Cardiovascular Disease Diagnosis based on Ant Colony Optimisation with Enhanced Deep Learning (ICVD-ACOEDL) model, designed to improve the diagnosis of Cardiovascular Disease (CVD) through advanced machine learning techniques. Given the challenges posed by the complexity of healthcare datasets and the necessity for early and accurate diagnosis due to the rising prevalence of CVD, the ICVD-ACOEDL model integrates feature selection (FS) and hyperparameter optimization. It utilizes a min-max scaler for consistent data preparation, employs Ant Colony Optimisation (ACO) to identify an optimal subset of features, and applies Bayesian optimization to fine-tune the hyperparameters of the Deep Learning Enhanced Neural Network (DLENN) classifier.
The findings indicate that the ICVD-ACOEDL model significantly outperforms existing diagnostic techniques, achieving an impressive accuracy of 99.71% on benchmark medical datasets. This integrated approach not only enhances the efficiency and accuracy of CVD classification in practical medical settings but also suggests potential for further improvements through the incorporation of outlier detection and data clustering methods. The study underscores the effectiveness of combining ACO for feature selection, min-max scaling for data preprocessing, and Bayesian optimization for hyperparameter tuning in the context of CVD diagnosis.
Discussion
In the discussion of various machine learning (ML) techniques for heart disease (HD) diagnosis, several studies highlight the effectiveness of different methodologies. Nagavelli et al. explored four primary approaches, including Naive Bayes with a weighted probabilistic model, an automated analytic technique for ischemia detection, and a combination of Support Vector Machine (SVM) with Extreme Gradient Boosting (XGBoost), which demonstrated high accuracy in HD classification. They noted that the choice of method depends on factors such as processing power and data availability. Other studies, such as those by Ali et al. and Li et al., compared various supervised ML methods, emphasizing the importance of feature relevance and the integration of multiple classifiers to enhance prediction accuracy.
The proposed ICVD-ACOEDL method aims to improve cardiovascular disease (CVD) diagnosis through a combination of data scaling, Ant Colony Optimization (ACO) for feature selection, and Deep Learning Enhanced Neural Networks (DLENN) for classification. This approach utilizes Bayesian Optimization (BO) for hyperparameter tuning, ensuring robust model performance. The method’s design incorporates a novel feature selection process that adapts to classifier performance, enhancing the overall diagnostic accuracy. The integration of these advanced techniques reflects a significant advancement in the field, promising more precise and efficient CVD risk assessments as research continues to evolve.