A Novel Framework for Deep Convolutional Neural Network-Based Heart Failure Disease Prediction Using an Optimized Efficient net-B0 Model
Notice bibliographique
Résumé
Convolutional neural networks (CNNs) have been widely used in medical decision support systems to accurately predict and diagnose various diseases.Because of their ability to identify relationships and hidden patterns in healthcare data, CNNs have been extremely successful in developing health support systems.One of the most important and useful application systems is in the prediction of Heart Failure Diseases (HDFs) by observing cardiac anomalies.Fundamentally, CNNs have multiple hyper parameters and various specific architectures, which are costly and impose challenges in selecting the best value among possible hyper parameters.Furthermore, CNNs are sensitive to hyper parameter values, which have a significant impact on the efficiency and behavior of CNN architectures.Datasets from Electronic Health Records (EHRs) have recently been used to diagnose a variety of diseases, including heart failure.In this paper, we proposed the Deep convolutional neural network algorithm (DCNN), which is one of the deep learning algorithms that has been successfully used to solve computer vision problems.In our work, EfficientNet-B0 is a type of DCNN model that is used with a transfer learning approach to recognize diseases in Heart Failure images.To determine the effect of transfer learning with fine tuning, we assessed the performance of all EfficientNet-B0 variants on this imbalanced multiclass classification task using metrics such as Specificity, Recall, Accuracy, F1-measure, and Confusion Matrices.However, the accuracy and parameters of EHRs-based HFDs diagnosis are limited by the lack of an appropriate feature set.The experimental results show that EfficientNet-B0 achieves higher accuracy 98.45% with fewer parameters than the five classical DCNN models, demonstrating that the DCNN-EfficientNet-B0 model achieves more competitive results on HFDs identification.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».