由于算法的快速发展,硬件,和巨大的数据量增加,深度学习(DL)算法被广泛用来解决复杂的问题在不同的领域,包括医疗应用,如医学图像处理或医疗数据挖掘。最近,neuro-evolution和metaheuristic优化算法被用来解决更复杂的问题,以及优化DL模型。不同metaheuristic优化算法已经被成群的行为启发,鸟类和动物。混合metaheuristic算法也被作为一个先进的解决更复杂的问题。杂交方法扩展到传统的机器学习方法合并或先进的深度学习方法与metaheuristic算法由于metaheuristic技术来找到最优解的能力。因此,这给这些方法医学应用潜力巨大,如图像分割、老年监视和文本分析和分类。

医疗数据每日增加,收集来自不同系统,如医院、卫生机构、可穿戴设备(例如,追踪活动的老年人),智能手机的传感器,智能家居,和空气质量记录,等等。因此,有必要开发更健壮的系统处理的高维度数据使用DL方案进行了优化。传统方法在处理不同的医疗数据面临严重挑战,包括图片,文字,和其他人。这些数据的主要挑战是高维度和大尺寸,需要更多的时间,所以混合深度学习和neuro-evolution metaheuristic优化算法可以提供更有效的解决方案。

这个特殊问题的主要目的是收集最新的先进的深度学习和研究neuro-evolution metaheuristic医疗应用程序的优化算法。我们欢迎原始研究和评论文章

潜在的主题包括但不限于:

潜在的主题包括但不限于以下:

• ——混合深度学习和metaheuristic算法用于医学应用
• ——公共卫生大数据挖掘和处理
• 空气质量指数时间序列分析和预测
• ——老年人健康监测利用可穿戴传感器收集的医疗数据
• ——传染病传播时间序列分析和预测
• - CT图像处理、分割和分类
• ——医疗文本分析和分类
• ——脑癌MRI图像处理、分割和分类
• -医疗数据分析和管理
• ——群体智慧医疗数据申请
• ——病人监测物联网(物联网)环境
• ——生物传感器应用医疗保健。
• ——物联网的医疗(IoMT)申请医疗保健