Genetically Optimized Neural Network for Early Detection of Glaucoma and Cardiovascular Disease Risk Prediction
Notice bibliographique
Résumé
Glaucoma, a major ocular disease, often culminates in irreversible blindness if undiagnosed.Characterized by optic nerve fiber degeneration, it instigates structural changes to the optic nerve, thus precipitating vision loss.Despite being symptomless, early detection is imperative to prevent further visual impairment.The disease's inception is attributed to increased intraocular pressure, a condition influenced by blood pressure.Notably, the eye and heart share parallel characteristics, making glaucoma an early indicator of potential cardiac conditions.Increased blood pressure frequently accompanies Diabetes mellitus -a common complication exacerbating cardiac health and fostering the development of cardiovascular diseases.Leveraging computational technologies allows for the early-stage identification of glaucoma.The utilization of deep learning approaches and pruning techniques has yielded significant outcomes in detecting glaucoma-related abnormalities accurately.Pruning, a strategy implemented to eliminate redundant parameters while preserving optimal performance, is particularly beneficial.This study introduces a Genetically Optimized Neural Network (GONN) incorporating wavelet transformation for the detection of glaucoma, thereby assisting in diabetes and heart disease risk identification.Experimental results demonstrate that the GONN method outperforms conventional methods such as Artificial Neural Networks (ANN), Naï ve Bayes, multilayer perceptron, ensemble methods, K-Nearest Neighbor (KNN), and decision trees.Notably, the GONN technique achieves an impressive accuracy of 95%, an F1 score of 92%, and an Area Under the Curve (AUC) of 98.92%.This study's findings underscore the potential of the GONN technique in accurately identifying glaucoma, thereby aiding in early diabetes and heart disease risk prediction.The results demonstrate that the GONN approach is a viable tool for clinical practice, with potential implications for improved patient outcomes and healthcare efficiency.
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 ».