Modelos de Aprendizaje Profundo en Conjunto para la Clasificación de Enfermedades del Corazón: Un Estudio de Caso de México
Autores: Baccouche, Asma; Garcia-Zapirain, Begonya; Castillo Olea, Cristian; Elmaghraby, Adel
Idioma: Inglés
Editor: MDPI
Año: 2020
Acceso abierto
Artículo científico
2020
Modelos de Aprendizaje Profundo en Conjunto para la Clasificación de Enfermedades del Corazón: Un Estudio de Caso de México
Categoría
Gestión y administración
Subcategoría
Gestión de la tecnología y la inovación
Palabras clave
Enfermedades cardíacas
Registros electrónicos de salud
Conjunto de datos
Modelos de redes neuronales
Marco de aprendizaje en conjunto
Algoritmos de clasificación
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Las enfermedades del corazón están altamente clasificadas entre las principales causas de mortalidad en el mundo. Tienen varios tipos, incluyendo enfermedades vasculares, isquémicas y hipertensivas del corazón. Se reportan una gran cantidad de características médicas para los pacientes en los Registros Electrónicos de Salud (EHR) que permiten a los médicos diagnosticar y monitorear enfermedades cardíacas. Recopilamos un conjunto de datos del Hospital Medica Norte en México que incluye 800 registros y 141 indicadores como edad, peso, glucosa, tasa de presión arterial y síntomas clínicos. La distribución de los registros recopilados es muy desequilibrada en los diferentes tipos de enfermedades cardíacas, donde el 17% de los registros tienen enfermedad hipertensiva del corazón, el 16% de los registros tienen enfermedad isquémica del corazón, el 7% de los registros tienen enfermedad mixta del corazón y el 8% de los registros tienen enfermedad valvular del corazón. En este documento, proponemos un marco de aprendizaje en conjunto de diferentes modelos de redes neuronales y un método de agregación de submuestreo aleatorio. Para mejorar el rendimiento de los algoritmos de clasificación, implementamos un paso de preprocesamiento de datos con selección de características. Se realizaron experimentos con modelos de redes neuronales unidireccionales y bidireccionales y los resultados mostraron que un clasificador en conjunto con un modelo BiLSTM o BiGRU junto con un modelo CNN tuvo el mejor rendimiento de clasificación con una precisión y puntuación F1 entre el 91% y el 96% para los diferentes tipos de enfermedades cardíacas. Estos resultados son competitivos y prometedores para el conjunto de datos de enfermedades cardíacas. Mostramos que el marco de aprendizaje en conjunto basado en modelos profundos podría superar el problema de clasificar un conjunto de datos de enfermedades cardíacas desequilibrado. Nuestro marco propuesto puede llevar a modelos altamente precisos que están adaptados para datos clínicos reales y uso en diagnóstico.
Descripción
Las enfermedades del corazón están altamente clasificadas entre las principales causas de mortalidad en el mundo. Tienen varios tipos, incluyendo enfermedades vasculares, isquémicas y hipertensivas del corazón. Se reportan una gran cantidad de características médicas para los pacientes en los Registros Electrónicos de Salud (EHR) que permiten a los médicos diagnosticar y monitorear enfermedades cardíacas. Recopilamos un conjunto de datos del Hospital Medica Norte en México que incluye 800 registros y 141 indicadores como edad, peso, glucosa, tasa de presión arterial y síntomas clínicos. La distribución de los registros recopilados es muy desequilibrada en los diferentes tipos de enfermedades cardíacas, donde el 17% de los registros tienen enfermedad hipertensiva del corazón, el 16% de los registros tienen enfermedad isquémica del corazón, el 7% de los registros tienen enfermedad mixta del corazón y el 8% de los registros tienen enfermedad valvular del corazón. En este documento, proponemos un marco de aprendizaje en conjunto de diferentes modelos de redes neuronales y un método de agregación de submuestreo aleatorio. Para mejorar el rendimiento de los algoritmos de clasificación, implementamos un paso de preprocesamiento de datos con selección de características. Se realizaron experimentos con modelos de redes neuronales unidireccionales y bidireccionales y los resultados mostraron que un clasificador en conjunto con un modelo BiLSTM o BiGRU junto con un modelo CNN tuvo el mejor rendimiento de clasificación con una precisión y puntuación F1 entre el 91% y el 96% para los diferentes tipos de enfermedades cardíacas. Estos resultados son competitivos y prometedores para el conjunto de datos de enfermedades cardíacas. Mostramos que el marco de aprendizaje en conjunto basado en modelos profundos podría superar el problema de clasificar un conjunto de datos de enfermedades cardíacas desequilibrado. Nuestro marco propuesto puede llevar a modelos altamente precisos que están adaptados para datos clínicos reales y uso en diagnóstico.