ECNN-MmIC：一种采用混合优化策略技术的增强型卷积神经网络模型，用于研究糖尿病和心血管疾病的并发问题

《BMC Medical Informatics and Decision Making》：ECNN-MmIC: an Enhanced Convolutional Neural Network model with hybrid optimization strategy techniques for diabetes and cardiovascular disease comorbidity

　　

摘要

糖尿病和心血管疾病（CVD）的患病率不断增加及其之间的临床相关性给医疗系统带来了巨大挑战，因此需要高效且可靠的诊断方法来支持早期干预和持续的患者监测。本研究提出了ECNN-MmIC，这是一个面向云端的智能医疗物联网（IoMT）框架，它结合了增强卷积神经网络（ECNN）、贝叶斯优化（BO）和Salp Swarm算法（SSA），用于糖尿病和CVD的联合预测、超参数优化以及特征选择。实验分析使用了公开的“孟加拉国糖尿病”（DiaBD）医疗数据集，该数据集包含来自孟加拉国63个地区的5,288份患者记录，涵盖了21至80岁的城市、半城市和农村人群。数据集包含了14个人口统计学、生理学、人体测量学和临床特征指标，如年龄、性别、血糖水平、脉搏率、收缩压和舒张压、BMI、高血压、糖尿病和高血压的家族史、CVD和中风病史，为研究糖尿病与CVD的共病情况提供了具有临床意义的信息。ECNN-MmIC框架与逻辑回归、支持向量机（SVM）、随机森林（Random Forest）、深度神经网络（DNN）、传统卷积神经网络（Conventional CNN）、长短期记忆网络（LSTM）以及CNN-LSTM进行了性能对比。实验结果显示，ECNN-MmIC在糖尿病检测方面的准确率为98.73%，精确率为98.41%，召回率为98.12%，F1分数为98.26%，特异性为99.05%，AUC为99.31%；在CVD预测方面的准确率为98.21%，AUC为99.04%。所提出的混合优化策略还将训练时间从412秒缩短至341秒，并且比其他评估的优化方法产生了更低的预测误差。通过分层10折交叉验证、置信区间分析、配对t检验、Cohen’s Kappa系数和Matthews相关系数等统计方法验证，证明了其稳定的预测性能。这些发现表明ECNN-MmIC作为一种数据驱动的临床决策支持框架，在糖尿病与CVD共病预测方面具有潜力，尽管在实际应用之前仍需进行外部和前瞻性的临床验证。