.png){kind=icon}
返回
A novel approach for predicting heart failure survival using a rectangular coded network
.png){kind=icon}
PRE
AI
DOI：10.1007/s13246-026-01791-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文通过将几乎所有数值数据转换为特定标准的24位图像，实现了数据的无缝增强和根据深度学习模型图像输入尺寸的高效图像创建。由于心血管疾病是导致死亡的原因之一，基于人工智能的架构在此领域可能发挥重要作用，而预测心力衰竭患者的生存期是一项重大挑战。为此，我们通过自动化特征工程技术调整图像输入尺寸以适应不同的深度学习架构，该技术可轻松应用于不同的数值数据集。随后，我们对新特征矩阵的转置进行水平增强，从而创建8位矩形编码图像。将这些图像转换为24位后，我们使用不同系数将其旋转15°的整数倍以扩充数据集。我们使用这些新图像训练ResNet18和ResNet50架构。结果表明，ResNet18的性能指标（准确率、灵敏度、特异性和F1分数）分别为0.9331–0.9610–0.8742–0.9512，ResNet50的相应指标为0.9617–0.9743–0.9349–0.9718。与现有文献对比，这些发现证实所提出的方法为心力衰竭分类提供了一种创新、竞争性强且高度适用的解决方案。该新颖方法允许将数值数据评估为图像表示，并相应地易于应用于图像处理、数据增强及类似技术中。
Keyword:
Automated feature engineering
Classification performance metrics
Deep learning
Heart failure
期刊
R
IF:
5.4
论文数:
173
被引数:
709
机构
引用论文
Improving malicious email detection through novel designated deep-learning architectures utilizing entire email通过利用整个电子邮件的新型指定深度学习架构改进恶意电子邮件检测.png)
NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏Simpler is better: Lifting interpretability-performance trade-off via automated feature engineering
OAAI
OAAI分享收藏A Hybrid Attention-Based Paralleled Deep Learning model for tool wear prediction基于混合注意力的并行深度学习刀具磨损预测模型
PREAI
分享收藏
查看更多内容