摘要 数字技术的进步被用于及时有效地为患者提供更提升的医疗服务。与单模态数据相比，多模态数据包含大量信息。融合和分析各种数据类型使得对患者情况有更全面的理解。但由于数据不兼容，融合这些多模态数据面临着几个技术挑战。因此，本研究工作的重点是实施基于深度学习的疾病预测模型，使用多模态数据生成有关医疗应用的精确预测结果。最初，从标准基准数据源收集所需的多模态数据，如信号、数据和图像。然后，将收集的数据提交到实施的基于多模态数据的疾病预测网络（MMPredNet）。该网络是通过结合自适应混合深度学习网络（AHDLN）与多尺度扩张残差注意网络（MDRAN）开发的。这里，MDRAN执行特征提取过程，从输入数据中提取特征。进一步地，使用AHDLN模型进行预测过程。它是通过将深度贝叶斯网络（DBN）与深度浅层网络（DSN）融合生成的混合网络。AHDLN的参数使用基于自适应学习率的鸽子群优化（ALR-DSO）算法进行优化，以降低FPR并提高预测结果的精确度、NPV和准确性。最终，MMPredNet提供了最终的疾病预测结果。实施的多模态数据处理模型的性能与各种传统方法进行了评估，以展示其在医疗中的有效性。开发的模型在文本数据上的准确率为97.31%，图像为98.02%，信号为97.23%，均优于先前的工作。因此，证明所开发的框架能够在早期阶段准确预测疾病，并有助于改善患者的结果，防止疾病在患者体内的进展。
Kayalvizhi等（周四）研究了这个问题。