A Modified Aquila-Based Optimized X

A Modified Aquila-Based Optimized XGBoost Framework for Detecting Probable Seizure Status in NeonatesElectroencephalography (EEG) is increasingly being used in pediatric neurology and provides opportunities to diagnose various brain illnesses more accurately and precisely. It is thought to be one of the most effective tools for identifying newborn seizures, especially in Neonatal Intensive Care Units (NICUs). However, EEG interpretation is time-consuming and requires specialists with extensive training. It can be challenging and time-consuming to distinguish between seizures since they might have a wide range of clinical characteristics and etiologies. Technological advancements such as the Machine Learning (ML) approach for the rapid and automated diagnosis of newborn seizures have increased in recent years. This work proposes a novel optimized ML framework to eradicate the constraints of conventional seizure detection techniques. Moreover, we modified a novel meta-heuristic optimization algorithm (MHOA), named Aquila Optimization (AO), to develop an optimized model to make our proposed framework more efficient and robust. To conduct a comparison-based study, we also examined the performance of our optimized model with that of other classifiers, including the Decision Tree (DT), Random Forest (RF), and Gradient Boosting Classifier (GBC). This framework was validated on a public dataset of Helsinki University Hospital, where EEG signals were collected from 79 neonates. Our proposed model acquired encouraging results showing a 93.38% Accuracy Score, 93.9% Area Under the Curve (AUC), 92.72% F1 score, 65.17% Kappa, 93.38% sensitivity, and 77.52% specificity. Thus, it outperforms most of the present shallow ML architectures by showing improvements in accuracy and AUC scores. We believe that these results indicate a major advance in the detection of newborn seizures, which will benefit the medical community by increasing the reliability of the detection process.

ผลลัพธ์ (ไทย) 1:

กรอบการทำงาน XGBoost ที่ปรับให้เหมาะสมตาม Aquila ที่ดัดแปลงเพื่อการตรวจจับสถานะอาการชักที่อาจเกิดขึ้นในการตรวจคลื่นไฟฟ้าสมองในทารกแรกเกิด (EEG) กำลังถูกนำมาใช้มากขึ้นในประสาทวิทยาในเด็ก และให้โอกาสในการวินิจฉัยความเจ็บป่วยทางสมองต่างๆ ได้แม่นยำและแม่นยำยิ่งขึ้น ถือว่าเป็นหนึ่งในเครื่องมือที่มีประสิทธิภาพมากที่สุดในการระบุอาการชักของทารกแรกเกิด โดยเฉพาะในหออภิบาลทารกแรกเกิด (NICU) อย่างไรก็ตาม การตีความ EEG ใช้เวลานานและต้องใช้ผู้เชี่ยวชาญที่ได้รับการฝึกอบรมอย่างกว้างขวาง การแยกแยะระหว่างอาการชักอาจเป็นเรื่องที่ท้าทายและใช้เวลานาน เนื่องจากอาจมีลักษณะทางคลินิกและสาเหตุที่หลากหลาย ความก้าวหน้าทางเทคโนโลยี เช่น แนวทางการเรียนรู้ของเครื่อง (ML) สำหรับการวินิจฉัยอาการชักของทารกแรกเกิดอย่างรวดเร็วและเป็นอัตโนมัติได้เพิ่มขึ้นในช่วงไม่กี่ปีที่ผ่านมา งานนี้นำเสนอกรอบงาน ML ที่ได้รับการปรับปรุงใหม่เพื่อขจัดข้อจำกัดของเทคนิคการตรวจจับการชักแบบเดิมๆ นอกจากนี้ เรายังแก้ไขอัลกอริธึมการเพิ่มประสิทธิภาพเมตาฮิวริสติก (MHOA) ใหม่ที่มีชื่อว่า Aquila Optimization (AO) เพื่อพัฒนาแบบจำลองที่ได้รับการปรับปรุงเพื่อทำให้กรอบงานที่เรานำเสนอมีประสิทธิภาพและแข็งแกร่งยิ่งขึ้น เพื่อทำการศึกษาโดยเปรียบเทียบ เรายังตรวจสอบประสิทธิภาพของแบบจำลองที่ได้รับการปรับปรุงของเรากับตัวแยกประเภทอื่นๆ รวมถึง Decision Tree (DT), Random Forest (RF) และ Gradient Boosting Classifier (GBC) กรอบการทำงานนี้ได้รับการตรวจสอบความถูกต้องในชุดข้อมูลสาธารณะของโรงพยาบาลมหาวิทยาลัยเฮลซิงกิ ซึ่งมีการรวบรวมสัญญาณ EEG จากทารกแรกเกิด 79 คน แบบจำลองที่เรานำเสนอได้รับผลลัพธ์ที่น่ายินดีซึ่งแสดงคะแนนความแม่นยำ 93.38%, พื้นที่ใต้เส้นโค้ง (AUC) 93.9%, คะแนน F1 92.72%, คัปปา 65.17%, ความไว 93.38% และความจำเพาะ 77.52% ดังนั้นจึงมีประสิทธิภาพเหนือกว่าสถาปัตยกรรม ML แบบตื้นส่วนใหญ่ในปัจจุบันโดยแสดงการปรับปรุงในด้านความแม่นยำและคะแนน AUC เราเชื่อว่าผลลัพธ์เหล่านี้บ่งชี้ความก้าวหน้าที่สำคัญในการตรวจหาอาการชักในทารกแรกเกิด ซึ่งจะเป็นประโยชน์ต่อวงการแพทย์โดยการเพิ่มความน่าเชื่อถือของกระบวนการตรวจจับ

ผลลัพธ์ (ไทย) 2:

โครงข่าย XGBoost ที่ปรับปรุงให้เหมาะสมกับ Aquila ใช้เพื่อตรวจจับภาวะชักที่เป็นไปได้ในทารกแรกเกิด
การตรวจคลื่นไฟฟ้าสมอง (EEG) ถูกนำมาใช้มากขึ้นในระบบประสาทวิทยาในเด็กและเปิดโอกาสให้วินิจฉัยโรคทางสมองต่างๆมีความแม่นยำมากขึ้น ถือเป็นหนึ่งในเครื่องมือที่มีประสิทธิภาพที่สุดในการระบุอาการชักในทารกแรกเกิด โดยเฉพาะในหอผู้ป่วยวิกฤติทารกแรกเกิด (NICU) อย่างไรก็ตาม การตีความด้วยคลื่นไฟฟ้าสมองต้องใช้เวลาและต้องใช้ผู้เชี่ยวชาญที่ผ่านการฝึกอบรมมาอย่างกว้างขวาง การแยกแยะอาการชักอาจเป็นเรื่องที่ท้าทายและใช้เวลานานเนื่องจากอาจมีลักษณะทางคลินิกและสาเหตุของโรคที่หลากหลาย ในช่วงไม่กี่ปีที่ผ่านมาความก้าวหน้าทางเทคโนโลยีเช่นวิธีการเรียนรู้ของเครื่อง (ML) สำหรับการวินิจฉัยโรคลมชักในทารกแรกเกิดอย่างรวดเร็วและอัตโนมัติเพิ่มขึ้น งานนี้นำเสนอกรอบการทำงานของ ML ที่ปรับให้เหมาะสมใหม่เพื่อขจัดข้อ จำกัด ของเทคโนโลยีการตรวจจับโรคลมชักแบบดั้งเดิม นอกจากนี้เราได้ปรับเปลี่ยนการเพิ่มประสิทธิภาพเมตาฮิวริสติกใหม่

ผลลัพธ์ (ไทย) 3:

AquilaปรับปรุงกรอบXGBoostสําหรับการตรวจหาสถานะโรคลมชักที่อาจเกิดขึ้นในทารกแรกเกิด
EEGใช้มากขึ้นในระบบประสาทเด็กและให้โอกาสในการวินิจฉัยโรคสมองต่างๆได้อย่างถูกต้องและแม่นยํามากขึ้น ถือว่าเป็นหนึ่งในเครื่องมือที่มีประสิทธิภาพมากที่สุดในการระบุอาการชักของทารกแรกเกิดโดยเฉพาะอย่างยิ่งในผู้ป่วยหนักทารกแรกเกิด อย่างไรก็ตามการตีความEEGใช้เวลานานและต้องใช้ผู้เชี่ยวชาญที่ผ่านการฝึกอบรมมาเป็นอย่างดี เนื่องจากอาการชักอาจมีลักษณะทางคลินิกและสาเหตุที่หลากหลายการแยกแยะความแตกต่างระหว่างอาการชักอาจเป็นเรื่องที่ท้าทายและใช้เวลานาน ในช่วงไม่กี่ปีที่ผ่านมาความก้าวหน้าทางเทคโนโลยีเช่นการเรียนรู้ด้วยเครื่อง( ML )สําหรับการวินิจฉัยโรคลมชักในทารกแรกเกิดอย่างรวดเร็วและอัตโนมัติได้เพิ่มขึ้น งานนี้นําเสนอกรอบการเพิ่มประสิทธิภาพMLใหม่เพื่อขจัดข้อจํากัดของเทคนิคการตรวจจับอาการชักแบบดั้งเดิม นอกจากนี้เรายังได้ปรับเปลี่ยนอัลกอริทึมการเพิ่มประสิทธิภาพแบบเมตาฮิวริส( MHOA )ซึ่งมีชื่อว่าการเพิ่มประสิทธิภาพของAquila ( AO )เพื่อพัฒนาแบบจําลองการเพิ่มประสิทธิภาพที่ทําให้กรอบที่เราเสนอมีประสิทธิภาพและมีประสิทธิภาพมากขึ้น สําหรับการศึกษาเปรียบเทียบเราได้ตรวจสอบประสิทธิภาพของโมเดลการเพิ่มประสิทธิภาพของเราและตัวจําแนกประเภทอื่นๆรวมถึงต้นไม้การตัดสินใจ( DT ),ป่าแบบสุ่ม( RF )และตัวจําแนกประเภทการไล่ระดับสี( GBC ) กรอบนี้ได้รับการยืนยันในชุดข้อมูลสาธารณะของโรงพยาบาลมหาวิทยาลัยเฮลซิงกิซึ่งรวบรวมสัญญาณEEGของทารกแรกเกิด79คน แบบจําลองที่เสนอของเราได้รับผลลัพธ์ที่น่าพอใจแสดงให้เห็นว่ามีคะแนนความถูกต้อง93.38 %,93.9 %ของเส้นโค้ง( AUC ),92.72 %ของคะแนนf 1,65.17 %ของKappa,93.38 %ความไวและความจําเพาะ77.52 % ดังนั้นจึงดีกว่าสถาปัตยกรรมMLตื้นที่มีอยู่ส่วนใหญ่โดยการปรับปรุงความถูกต้องของจอแสดงผลและคะแนนAUC เราเชื่อว่าผลลัพธ์เหล่านี้แสดงให้เห็นถึงความคืบหน้าสําคัญในการตรวจหาโรคลมชักในทารกแรกเกิดซึ่งจะเป็นประโยชน์ต่อชุมชนทางการแพทย์โดยการปรับปรุงความน่าเชื่อถือของกระบวนการทดสอบ