.png){kind=icon}
返回
Bio inspired optimization techniques for disease detection in deep learning systems
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-025-02846-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
众多当代计算机辅助疾病检测方法主要依赖于特征工程技术；然而，它们存在若干缺点，包括冗余特征的存在和过度耗时。传统特征工程需要大量手动努力，导致由冗余特征引发的问题降低了模型的性能潜力。与近期有效的深度学习模型相比，这些模型可能解决上述问题，同时并行获取和捕捉大规模医学图像数据集中的复杂结构。深度学习模型能够自主发展特征提取能力，但需要庞大的计算资源和大量数据集才能产生显著的抽象方法。维度问题是医疗保健研究中的关键挑战。尽管近年来在深度学习架构的疾病识别方面取得了令人鼓舞的进展，但实现高性能仍然相当困难，特别是在数据有限或特征空间复杂的情况下。本研究旨在阐明生物启发优化技术的整合，通过深度学习模型提升疾病诊断。生物启发方法的目标特征选择通过减少模型冗余和计算成本，提高了计算效率与操作效能，尤其在数据可用性受限时。这些算法采用自然选择和社会行为模型，以高效探索特征空间，增强深度学习系统的鲁棒性和泛化性。本文旨在通过运用源于生物系统本体论的概念和策略（如遗传算法、粒子群优化、蚁群优化、人工免疫系统及群体智能），阐明深度学习模型在医疗诊断中的有效性。生物启发方法已展现出在多种数据类型中解决疾病检测关键挑战的显著潜力。本研究旨在通过创建生物启发优化方法，解决提升疾病诊断中高效且公平的深度学习问题。此项工作协助研究人员为疾病分类、预测和高维生物医学数据分析选择最有效的生物启发算法。
Keyword:
Disease detection
Bio-inspired deep learning models
Biomedical data
Machine learning
Bioinformatics
Healthcare
Diseases
Classification
Algorithms
期刊
IF:
3.9
论文数:
28.0W
被引数:
83.5W
机构
暂无机构信息
引用论文
Enhancing wireless sensor network lifespan and efficiency through improved cluster head selection using improved squirrel search algorithm通过改进的松鼠搜索算法优化簇头选择，提升无线传感器网络的寿命和效率。OAAI
OAAI分享收藏An adaptive Gaussian process based manifold transfer learning to expensive dynamic multi-objective optimization.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Research Directions and Challenges in Bio-Inspired Algorithms for Machine Learning and Deep Learning Models in Healthcare生物启发算法在机器学习和深度学习模型应用于医疗健康领域的研究方向与挑战
PREAI
分享收藏Performance assessment of the metaheuristic optimization algorithms: an exhaustive review元启发式优化算法的性能评估: 详尽的综述
PREAI
分享收藏Area and power optimization for Fixed Polarity Reed–Muller logic circuits based on Multi-strategy Multi-objective Artificial Bee Colony algorithm基于多策略多目标人工蜂群算法的固定极性雷-穆勒逻辑电路的面积和功耗优化
PREAI
分享收藏
Plasma pTau181 and amyloid markers predict conversion to dementia in idiopathic REM sleep behaviour disorder血浆pTau181和淀粉样蛋白标志物可预测特发性REM睡眠行为障碍患者向痴呆的转化BRAIN
BRAINIF11.7
PREAI
分享收藏
查看更多内容