Klassifizierung von Osteoporose durch ein künstliches neuronales Netzwerk basierend auf dem Optimierungsalgorithmus des Monarchfalter

Osteoporose ist eine lebensbedrohliche Erkrankung, die häufig Frauen, hauptsächlich nach der Menopause, betrifft. Sie verursacht hauptsächlich leichte Knochenfrakturen, die im fortgeschrittenen Stadium zum Tod einer Person führen können. Die Diagnose von Osteoporose erfolgt anhand von Werten der Knochendichte (BMD), die durch verschiedene klinische Methoden aus verschiedenen Skelettregionen gewonnen werden. Das Hauptziel der Arbeit der Autoren besteht darin, ein hybrides Klassifikationsmodell zu entwickeln, das osteoporotische Patienten von gesunden Personen anhand der BMD-Werte unterscheidet. In diesem Schreiben schlagen die Autoren einen auf der Optimierung des Monarchfalters basierenden Klassifikator für künstliche neuronale Netzwerke vor, der bei der frühzeitigen Diagnose und Prävention von Osteoporose hilft. Die Experimente wurden unter Verwendung der 10-fachen Kreuzvalidierungsmethode für zwei Datensätze, Lendenwirbelsäule und Femurhals, durchgeführt. Die Ergebnisse wurden mit anderen ähnlichen hybriden Ansätzen verglichen. Die vorgeschlagene Methode ergab eine Genauigkeit, Spezifität und Sensitivität von 97,9% ± 0,14, 98,33% ± 0,03 und 95,24% ± 0,08, jeweils für den Datensatz der Lendenwirbelsäule, sowie 99,3% ± 0,16%, 99,2% ± 0,13 und 100, jeweils für den Datensatz des Femurhalses. Darüber hinaus wurde ihre Leistung anhand der Analyse der Receiver Operating Characteristics und des Wilcoxon-Vorzeichen-Rang-Tests verglichen. Die Ergebnisse beweisen, dass der vorgeschlagene Klassifikator effizient ist und in allen Fällen besser abgeschnitten hat als die anderen Ansätze.