AI Framework for Early Diagnosis of Coronary Artery Disease: An Integration of Borderline SMOTE, Autoencoders and Convolutional Neural Networks Approach

要約

冠動脈疾患 (CAD) の診断の精度は、人口統計、症状、健康診断、ECG、心エコー検査データなどのさまざまな要因に依存します。
これに関連して、人工知能 (AI) は、複数の要素からの情報を統合することにより、臨床医が診断プロセスの早い段階で高リスク患者を特定するのに役立ちます。
この目的のために、機械学習アルゴリズムを使用して、CAD 疾患のリスクに基づいて患者を分類します。
この研究では、データが不均衡でサンプルサイズが小さい場合に、より正確な予測を行うためにデータのバランスをとり、増強する方法論を開発することで、この研究分野に貢献します。
この方法論は、特にデータ収集に費用がかかり、サンプルサイズが小さい場合など、他のさまざまな状況で使用できます。
実験の結果、提案したCAD予測手法の平均精度は95.36であり、ランダムフォレスト(RF)、デシジョンツリー(DT)、サポートベクターマシン(SVM)、ロジスティック回帰(LR)、および人工ニューラル予測手法よりも高かったことが明らかになりました。
ネットワーク（ANN）。

要約(オリジナル)

The accuracy of coronary artery disease (CAD) diagnosis is dependent on a variety of factors, including demographic, symptom, and medical examination, ECG, and echocardiography data, among others. In this context, artificial intelligence (AI) can help clinicians identify high-risk patients early in the diagnostic process, by synthesizing information from multiple factors. To this aim, Machine Learning algorithms are used to classify patients based on their CAD disease risk. In this study, we contribute to this research filed by developing a methodology for balancing and augmenting data for more accurate prediction when the data is imbalanced and the sample size is small. The methodology can be used in a variety of other situations, particularly when data collection is expensive and the sample size is small. The experimental results revealed that the average accuracy of our proposed method for CAD prediction was 95.36, and was higher than random forest (RF), decision tree (DT), support vector machine (SVM), logistic regression (LR), and artificial neural network (ANN).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google