स्ट्रोक और रक्तस्राव की प्रारंभिक पहचान के लिए गहरा शिक्षा और मशीन शिक्षा

स्ट्रोक और मस्तिष्क का रक्तस्राव विश्व में इस्कीमिक ह्रदय रोग के बाद मौत के दूसरे प्रमुख कारण हैं। इस काम में, स्ट्रोक के लिए चिकित्सा, शारीरिक और पर्यावरणीय परीक्षणों का एक डेटासेट का उपयोग किया गया था, ताकि मस्तिष्क के रक्तस्राव के लिए मैग्नेटिक रेजोनेंस इमेजिंग (MRI) डेटासेट पर मशीन शिक्षा, गहरे शिक्षा और गहरे शिक्षा और मशीन शिक्षा के बीच एक हाइब्रिड तकनीक की प्रभावशीलता का मूल्यांकन किया जा सके। पहले डेटासेट (चिकित्सा रिकॉर्ड) में, दो विशेषताएँ, अर्थात्, मधुमेह और मोटापा, संबंधित विशेषताओं के मानों के आधार पर बनाई गई थीं। उच्च-आयामी डेटासेट को निम्न-आयामी डेटा स्पेस में प्रदर्शित करने के लिए t-Distributed Stochastic Neighbour Embedding एल्गोरिदम लागू किया गया। इसी समय, विशेषताओं को प्राथमिकता और लक्ष्य विशेषता के साथ उनके सह-संबंध के अनुसार रैंक करने और अनुपयुक्त विशेषताओं को हटाने के लिए Recursive Feature Elimination एल्गोरिदम (RFE) लागू किया गया। विशेषताओं को विभिन्न वर्गीकरण एल्गोरिदम में फेड किया गया, अर्थात्, सपोर्ट वेक्टर मशीन (SVM), K निकटतम पड़ोसी (KNN), निर्णय वृक्ष, रैंडम फॉरेस्ट, और मल्टीलेयर पर्सेप्ट्रॉन। सभी एल्गोरिदम ने उत्कृष्ट परिणाम प्राप्त किए। रैंडम फॉरेस्ट एल्गोरिदम ने एल्गोरिदम के बीच सर्वश्रेष्ठ प्रदर्शन किया; इसने 99% की कुल सटीकता हासिल की। इस एल्गोरिदम ने स्ट्रोक मामलों को 98%, 100% और 99% के क्रमशः प्रिसिजन, रीकॉल और F1 स्कोर के साथ वर्गीकृत किया। दूसरे डेटासेट में, MRI इमेज डेटासेट का मूल्यांकन AlexNet मॉडल और AlexNet + SVM हाइब्रिड तकनीक का उपयोग करके किया गया। हाइब्रिड मॉडल AlexNet + SVM ने AlexNet मॉडल के मुकाबले बेहतर प्रदर्शन किया; इसने 99.9%, 100%, 99.80% और 99.86% की सटीकता, संवेदनशीलता, विशिष्टता और क्षेत्र के नीचे (AUC) हासिल की।