基于混合深度学习与优化技术的多级联心脏病预测模型

来自全球的研究人员针对心脏病预测准确率不足的问题，开展了基于混合深度学习与优化算法的创新研究。该团队提出融合突变迭代火鹰-郊狼优化算法(MI-FHCO)的多级联深度学习网络(MDLNet)，通过NaN填充、数据归一化处理和最优加权特征选择，在数据集4上实现96.65%的预测准确率，为临床辅助诊断提供了高精度AI解决方案。

　　

这项突破性研究构建了革命性的心脏病预测框架。原始数据首先经过NaN填充预处理，随后采用数据归一化技术进行特征转换。创新的突变迭代火鹰-郊狼优化算法(Mutated Iteration-based Fire Hawk with Coyote Optimization, MI-FHCO)负责筛选最优加权特征组合。最终，多级联深度学习网络(Multi-Cascaded Deep Learning Network, MDLNet)展现出惊人的诊断性能，在关键测试集上斩获96.65%的准确率，较传统方法提升显著。该技术路线为心血管疾病早期预警提供了^智能_化解决方案，其模块化设计尤其适合临床环境部署。