應用TSTO-HANN-GA框架建立心血管疾病風險之類神經網路精準預測模型

心血管疾病（CVD）風險的早期預測對於預防治療至關重要。因此本研究目的在於使用個人電腦設備去提高預測心血管疾病之準確率，以期達到定點醫療診斷（Point-of-care testing, POCT）之目標。本研究提出了全新的TSTO-HANN-GA架構。此架構可持續不斷地調整類神經網絡（ANN）的超參數，並顯著地提高CVD預測之準確性。TSTO-HANN-GA架構整合了田口方法、類神經網絡與基因演算法（GA），可以更有效地探索超參數空間。相較於傳統的網格搜尋方法，它只需要少於40倍以上的實驗次數。因此，此架構適用於資源有限的環境，例如低功耗設備的環境。該架構成功地找出了ANN模型超參數的最佳設定：4個隱藏層、tanh激活函數、SGD優化器、0.23425849學習率、0.75462782動量率和7個隱藏節點數。此最佳設定在預測心血管疾病上達到了74.25%之平均準確率，此表現也較文獻所提的GA-ANN模型來的好。此一改善結果有望可以在定點醫療診斷（POCT）上進行客制化的心血管疾病預測，也讓每個人具有掌握自己健康的能力，進而對患者的健康產生重大影響。