基于拟袋鼠群防御优化算法的集成深度学习方法在疾病预测中的应用

《Scientific Reports》：Quokka swarm defensive optimization-based ensemble deep learning for disease prediction using remote monitoring data

　　

摘要

从患者监护数据中准确预测疾病对于实现及时的临床干预至关重要。然而，现有方法通常泛化能力有限，对嘈杂或不完整的生理信号的鲁棒性较差。为应对这些挑战，本文提出了一种基于拟袋鼠群防御优化算法的集成深度学习方法（QSDO_Ensemble DL）用于疾病预测。首先，利用II、III、AVL、AVF导联和动脉血压（ABP）等生理信号进行异常检测，并通过加权平均方法实现。同时，利用同一组健康参数预测肺动脉压力（PAP），通过自适应混合注意力网络（AHANet）完成。随后，将异常检测和PAP预测阶段的输出送入疾病检测系统。在此，疾病预测使用集成深度学习（DL）分类器，包括ResNeXt、AHANet和混合注意力网络（SA-Net）。此外，集成DL的超参数通过QSDO进行调优，QSDO结合了拟袋鼠群优化算法（QSO）和攻防优化算法（ODO）。实验在MIMIC-II数据库上进行，用于模型训练和评估。结果表明，QSDO_Ensemble DL实现了96.90%的准确率、95.87%的真阳性率（TPR）和7.22%的假阳性率（FPR）。实验结果证明了QSDO_Ensemble DL能够从生理监护信号中提供鲁棒可靠的疾病预测。