DiabetesNet：一种糖尿病诊断的深度学习方法
机器学习
2024-09-24 v2 人工智能
摘要
糖尿病由胰岛素分泌不足或利用障碍引起，会对身体造成广泛损害。现有的诊断方法往往具有侵入性，并存在成本限制等缺点。尽管存在如分类 k 近邻 (CkNN) 和广义回归神经网络 (GRNN) 等机器学习模型，但它们难以处理不平衡数据，导致性能不佳。利用传感器技术和机器学习的进步，我们提出了一种非侵入式糖尿病诊断方法，该方法采用带有批量归一化的反向传播神经网络 (BPNN)，并结合数据重采样和归一化以实现类别平衡。我们的方法解决了与传统机器学习相关的性能有限等现有挑战。在三个数据集上的实验结果表明，与传统方法相比，整体准确率、灵敏度和特异性均有显著提升。值得注意的是，我们在 Pima 糖尿病数据集上达到了 89.81% 的准确率，在 CDC BRFSS2015 数据集上达到了 75.49%，在 Mesra 糖尿病数据集上达到了 95.28%。这突显了深度学习模型在稳健糖尿病诊断方面的潜力。项目网站见 https://steve-zeyu-zhang.github.io/DiabetesDiagnosis/
引用
@article{arxiv.2403.07483,
title = {DiabetesNet: A Deep Learning Approach to Diabetes Diagnosis},
author = {Zeyu Zhang and Khandaker Asif Ahmed and Md Rakibul Hasan and Tom Gedeon and Md Zakir Hossain},
journal= {arXiv preprint arXiv:2403.07483},
year = {2024}
}
备注
Accepted to ACIIDS 2024