一种利用多种机器学习和深度学习模型进行糖尿病早期检测和预测的新方法

《International Journal of Diabetes in Developing Countries》：A novel method for early detection and prediction of diabetes using various machine learning and deep learning models

糖尿病预测研究采用BRFSS数据集，对比决策树、随机森林、XGBoost、梯度提升及CNN模型，结果显示CNN准确率达93.34%，为临床提供高精度预测工具。

　　

摘要

背景

高血糖，即血糖水平持续升高，是糖尿病的主要指标和并发症之一。根据国际糖尿病联合会的统计，全球约有3.82亿人患有糖尿病，预计到2035年这一数字将增加到5.92亿。糖尿病患病率的上升凸显了开发有效诊断和预测工具以支持临床决策的必要性。

目的

本研究旨在利用先进的机器学习和深度学习技术，开发和评估用于糖尿病预测和分类的可靠数据驱动模型。

方法

本研究使用了行为风险因素监测系统（BRFSS）数据集，该数据集包含每年收集的40多万名成年受访者的数据。研究采用了多种监督学习算法（决策树、随机森林、XGBoost、梯度提升）以及一种深度学习模型（卷积神经网络，CNN）。通过准确性、精确度、召回率和F1分数等关键指标来评估模型性能，以确定最有效的预测方法。

结果

在所有评估的模型中，卷积神经网络（CNN）表现出色，准确率达到93.34%，在预测能力和整体稳健性方面均优于其他机器学习算法。

结论

本研究强调了深度学习模型（尤其是CNN）在提高糖尿病预测准确性方面的潜力。这些发现为开发可靠的数据驱动诊断系统奠定了坚实基础，有助于医疗专业人员及早发现糖尿病并管理患者。