Nouvelle méthode d'apprentissage de machine d'emballage multi-facteurs pour le diagnostic des maladies cardiaques
Résumé
La maladie cardiaque (MC) est une maladie grave et répandue qui met la vie en danger. Le cœur des patients atteints de MC ne parvient pas à pomper des quantités suffisantes de sang dans tout le corps. Diagnostiquer l'apparition de la MC tôt et efficacement peut prévenir la manifestation des effets débilitants de cette maladie et aider à son traitement efficace. Les méthodes classiques de diagnostic de la MC sont parfois peu fiables et insuffisantes pour analyser les symptômes associés. En alternative, les procédures médicales non invasives basées sur des méthodes d'apprentissage automatique (AA) fournissent un diagnostic fiable de la MC et une prédiction efficace des conditions de la MC. Cependant, les modèles existants de méthodes de diagnostic de la MC basées sur l'AA automatisée ne peuvent pas satisfaire aux critères d'évaluation clinique en raison de leur incapacité à reconnaître les anomalies dans les symptômes extraits représentés comme des caractéristiques de classification des patients atteints de MC. Dans cette étude, nous proposons un système de diagnostic automatisé de la maladie cardiaque (DAMC) qui intègre un réseau de neurones convolutifs binaire (RNC) avec un nouveau modèle d'enveloppe de caractéristiques multi-agents (EFCMA). Le modèle EFCMA se compose de quatre agents logiciels qui exploitent un algorithme génétique (AG), une machine à vecteurs de support (MVS) et Naïve Bayes (NB). Les agents instruisent l'AG pour effectuer une recherche globale sur les caractéristiques de la MC et ajustent les poids de la MVS et de la BN lors de la classification initiale. Un réglage final du RNC est ensuite effectué pour s'assurer que le meilleur ensemble de caractéristiques est inclus dans l'identification de la MC. Le RNC se compose de cinq couches qui catégorisent les patients comme sains ou atteints de MC selon l'analyse des caractéristiques optimisées de la MC. Nous évaluons la performance de classification du système DAMC proposé via 12 techniques d'AA courantes et des modèles de RNC conventionnels en utilisant une technique de validation croisée et en évaluant six critères d'évaluation. Le système DAMC atteint la plus haute précision de 90,1 %, tandis que les autres modèles d'AA et de RNC conventionnels n'atteignent qu'une précision de 72,3 % à 83,8 % en moyenne. Par conséquent, le système DAMC proposé ici a la plus grande capacité à identifier les patients atteints de MC. Ce système peut être utilisé par les praticiens médicaux pour diagnostiquer la MC efficacement.
Mots-clés
Maladie cardiaque ; apprentissage automatique ; modèle d'enveloppe de caractéristiques multi-agents ; diagnostic de la maladie cardiaque ; ensembles de données HD cleveland ; réseau de neurones convolutifs
Références
A. L. Bui, T. B. Horwich et G. C. Fonarow, “Épidémiologie et profil de risque de l'insuffisance cardiaque,” Nature Reviews Cardiology, vol. 8, no. 1, pp. 30, 2011.
P. A. Heidenreich, J. G. Trogdon, O. A. Khavjou, J. Butler, K. Dracup et al., “Prévoir l'avenir des maladies cardiovasculaires aux États-Unis : une déclaration de politique de l'American Heart Association,” Circulation, vol. 123, no. 8, pp. 933–944, 2011.
M. Durairaj et N. Ramasamy, “Une comparaison des approches perceptives pour le prétraitement de l'ensemble de données pour prédire le taux de réussite de la fertilité,” International Journal of Control Theory and Applications, vol. 9, no. 27, pp. 255–260, 2016.
J. Mourao-Miranda, A. L. Bokde, C. Born, H. Hampel et M. Stetter, “Classer les états cérébraux et déterminer les motifs d'activation discriminants : machine à vecteurs de support sur des données d'IRM fonctionnelle, NeuroImage, vol. 28, no. 4, pp. 980–995, 2005.
S. Ghwanmeh, A. Mohammad et A. Al-Ibrahim, “Système de soutien à la décision basé sur des réseaux de neurones artificiels innovants pour le diagnostic des maladies cardiaques,” Journal of Intelligent Learning Systems and Applications, vol. 5, no. 3, pp. 8, 2013.