Oct, 2022

智能决策支持集成投票模型用于智能医疗监测环境下冠状动脉疾病预测

PDF
TL;DR利用机器学习的集成方法在智能医疗监测系统中设计出一种电子诊断工具来诊断冠心病，结果表明集成分类器中的多层感知机、随机森林和 AdaBoost 是最优的，达到了 88.12% 的准确率，而且比其他所有分类器都表现更好。
coronary artery diseasemachine learningensemble methodsmart healthcare monitoringdiagnostic tool
发现论文，激发创造
  • 心血管疾病预测的集成框架

    该研究使用基于机器学习算法的集成分类器框架，结合多种性能度量方法，对一个包含多国心血管疾病个体的大型数据集进行研究，获得了 92.34% 的准确率，较现有研究表现更佳。

    Jun, 2023

  • 一种改进的基于堆叠集成方法的心脏病预测

    本研究建立了一个基于机器学习的诊断系统用于心脏疾病预测，使用了包括 RF、MLP、KNN、ETC、XGB、SVC、ADB、DT 和 GBM 在内的九种分类算法和八种分类器性能评估指标，并通过一个堆叠式集成方法来评估临床决策支持系统的影响。

    Apr, 2023

  • 冠状动脉疾病早期诊断 AI 框架：边界 SMOTE、自编码器和卷积神经网络集成方法

    通过机器学习算法对冠心病风险进行分类，本研究开发了一种数据平衡和增强方法，提高了诊断准确性，对样本数量较少和数据不平衡的情况特别适用。实验结果显示，本方法的平均预测准确率为 95.36%，高于随机森林、决策树、支持向量机、逻辑回归和人工神经网络。

    Aug, 2023

  • 通过机器学习模型的比较分析改进心血管疾病预测：以心肌梗死为案例研究

    心血管疾病与吸烟、血压升高和胆固醇水平的关联突出了这些危险因素的重要性。本研究使用六种不同的机器学习模型进行比较分析：Logistic 回归、支持向量机、决策树、包装法、XGBoost 和 LightGBM。结果表明，XGBoost 作为表现最佳的模型，显示了提高冠状动脉梗塞预测精确性的潜力。

    Nov, 2023

  • 基于机器学习融合方法的二元和多分类心血管疾病严重性预测

    本研究使用机器学习技术构造了三个融合模型，在心脏病数据集上进行训练和预测，其中包括人工神经网络、支持向量机、逻辑回归、决策树、随机森林和 AdaBoost 等六种算法，以预测心血管疾病的出现和严重程度，实验结果表明，这三个融合模型具有良好的分类性能，多类分类的最高准确率为 75%，二类分类的最高准确率为 95%。

    Mar, 2022

  • 自动机器学习在心血管疾病检测中的效果研究

    发展和应用以患者为导向的系统中，机器学习作为一种有前途的技术能够预测心血管疾病，本研究使用自动化机器学习和三个场景探索了检测心血管疾病的有效性，结果显示自动化机器学习模型的结构不仅取决于基本模型的效率和准确性，还取决于数据的预处理技术，尤其是数据标准化。

    Aug, 2023

  • 使用集成学习的多血管冠状动脉分割和狭窄定位

    通过机器学习解决方案，该研究提出了一种用于冠状动脉造影图像的自动诊断的端到端解决方案，旨在在冠状动脉血管的多血管分割和狭窄病变定位方面进行基准测试。

    Oct, 2023

  • FCM-DNN: 基于深度准确模糊 C-Means 聚类模型的冠心病诊断

    本文使用神经网络、深度神经网络、和模糊 C 均值聚类加深度神经网络的方法诊断冠状动脉疾病，得到 99.91% 的准确度，这一方法可能有助于科研中心。

    Feb, 2022

  • 应用监督学习算法和新的特征选择方法预测冠状动脉疾病

    本文利用 DNA 位点级别上所采集的单核苷酸多态性（SNPs）数据，从数据科学的视角探讨了冠状动脉疾病的预测。研究中介绍了两种常用的监督学习算法和二维降维技术，分别进行了误差比较分析，结果表明新方法随机森林预测模型的准确率和 ROC 曲线的面积都比传统方法更优。

    Feb, 2014

  • 评估分类算法准确性以检测心脏疾病风险

    医疗行业产生大量复杂临床数据，数据挖掘技术在诊断和预测医学数据集中的隐藏模式和知识方面表现出高效性和准确性，并且分类算法中的随机森林以 99.24% 的准确率被证明是预测心脏病的最佳算法。

    Dec, 2023