Identifying High Risk of Atherosclerosis Using Deep Learning and Ensemble Learning
Notice bibliographique
Résumé
Atherosclerosis refers to the buildup of plaque on the artery walls. As the disease advances in its further stages, its burden could lead to stroke or heart attack. Atherosclerosis develops gradually, and mild stages of the condition are usually symptomless. Diagnosing patients in their early stages of the disease can facilitate timely clinical interventions enhancing patient's quality of life by altering the course of the disease. The work presented in this paper is focused on classifying patients who are at high risk of Atherosclerosis using simple diagnosis tools available in every clinic. The final system is a prescreening tool providing the medical practitioners with recommendations regarding the disease. High risk patients can be referred to a cardiologist for further assessments. A dataset of 44 patients was collected including 17 low-risk and 27 high-risk patients. Two different approaches were taken, 1. using deep learning and time series data (ECG signals) 2. using traditional machine learning algorithms and tabular data. In the first approach, a Conv-GRU model was trained using ECG signals collected from patients. This method resulted in an average accuracy of 77% which was computed over 4 folds using cross validation. In the second approach, Stacking, an ensemble learning technique in which the final prediction is obtained by combining the prediction of different machine learning models trained on several attributes readily collected in the clinic, was used. An average accuracy of 81% was achieved using this method.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».