分数阶动力学促进COPD分期的深度学习预测
机器学习
2023-03-15 v1 定量方法
摘要
慢性阻塞性肺疾病（COPD）是全球主要死因之一。当前的COPD诊断（即肺活量测定）可能不可靠，因为该测试依赖于测试者与受试者的充分配合。此外，COPD的早期诊断具有挑战性。我们通过构建两个新颖的生理信号数据集（WestRo COPD数据集含54名患者的4432条记录，WestRo Porti COPD数据集含534名患者的13824条医疗记录）来解决COPD检测问题。作者展示了其复杂的耦合分形动力学特征，并进行了分数阶动力学深度学习分析以诊断COPD。作者发现，分数阶动力学建模能够从0期（健康）到4期（极重度）所有COPD分期的患者生理信号中提取区分性特征。他们利用分数阶特征开发并训练了一个深度神经网络，基于输入特征（如胸部呼吸努力、呼吸频率或血氧饱和度）预测COPD分期。作者表明，分数阶动态深度学习模型（FDDLM）实现了98.66%的COPD预测准确率，并可作为肺活量测定的稳健替代方案。FDDLM在具有不同生理信号的数据集上验证时也表现出高准确率。
引用
@article{arxiv.2303.07537,
title = {Fractional dynamics foster deep learning of COPD stage prediction},
author = {Chenzhong Yin and Mihai Udrescu and Gaurav Gupta and Mingxi Cheng and Andrei Lihu and Lucretia Udrescu and Paul Bogdan and David M Mannino and Stefan Mihaicuta},
journal= {arXiv preprint arXiv:2303.07537},
year = {2023}
}
备注
Published on Advanced Science