早期诊断冠状动脉疾病的人工智能框架：边界SMOTE、自编码器和卷积神经网络方法的整合
摘要：冠状动脉疾病(CAD)诊断的准确性取决于各种因素，包括人口统计学、症状、医学检查、心电图和超声心动图等数据。在这种情况下，人工智能(AI)可以帮助临床医生在诊断过程的早期识别高风险患者，通过合成多个因素的信息。为了实现这个目标，机器学习算法被用来根据患者的CAD疾病风险进行分类。在这项研究中，我们通过开发一种在数据不平衡且样本量小的情况下平衡和增加数据的方法，为更准确的预测做出了贡献。该方法可以在各种其他情况下使用，特别是当数据收集昂贵且样本量小的情况下。实验结果显示，我们提出的CAD预测方法的平均准确率为95.36，高于随机森林(RF)、决策树(DT)、支持向量机(SVM)、逻辑回归(LR)和人工神经网络(ANN)。
作者：Elham Nasarian, Danial Sharifrazi, Saman Mohsenirad, Kwok Tsui, Roohallah Alizadehsani
论文ID：2308.15339
分类：Artificial Intelligence
分类简称：cs.AI
提交时间：2023-08-30