تنبؤ أمراض القلب باستخدام شبكات الكشف عن أمراض القلب الجديدة القائمة على التجميع والمزج: EnsCVDD-Net و BlCVDD-Net

ظهرت أمراض القلب والأوعية الدموية (CVDs) كحالة جسدية مهمة، كونها أحد المساهمين الرئيسيين في الوفيات. إن التشخيص الفوري والدقيق لأمراض القلب أمر بالغ الأهمية لحماية المرضى من الأذى الإضافي. تظهر الدراسات الحديثة أن استخدام الأساليب المدفوعة بالبيانات، مثل تقنيات التعلم العميق (DL) والتعلم الآلي (ML)، في مجال العلوم الطبية مفيد للغاية في تشخيص أمراض القلب بدقة في وقت أقل. ومع ذلك، تتطلب أساليب التعلم الإحصائي والتعلم الآلي التقليدي هندسة الميزات لإنشاء ميزات قوية وفعالة من البيانات، والتي تُستخدم بعد ذلك في نماذج التنبؤ. في حالة البيانات الكبيرة المعقدة، يواجه كل من هذين الإجراءين العديد من التحديات. بينما، تتمكن تقنيات التعلم العميق من تعلم الميزات تلقائيًا من البيانات وتكون فعالة في التعامل مع مجموعات البيانات الكبيرة والمعقدة، متفوقة بذلك على نماذج التعلم الآلي. تركز هذه الدراسة على التنبؤ الدقيق بأمراض القلب والأوعية الدموية، مع الأخذ في الاعتبار صحة المريض وظروفه الاجتماعية والاقتصادية أثناء التخفيف من التحديات التي تطرحها البيانات غير المتوازنة. يتم استخدام تقنية أخذ العينات الاصطناعية التكيفية لتحقيق توازن البيانات، بينما يتم استخدام معامل الارتباط الثنائي الاقتصاص كطريقة لاختيار الميزات. في هذه الدراسة، يتم اقتراح نموذجين للتعلم العميق، شبكة الكشف عن أمراض القلب والأوعية الدموية القائمة على التجميع (EnsCVDD-Net) والشبكة القائمة على المزج (BlCVDD-Net)، من أجل التنبؤ والتصنيف الدقيق لأمراض القلب والأوعية الدموية. تم إنشاء EnsCVDD-Net من خلال تطبيق تقنية التجميع على LeNet و Gated Recurrent Unit (GRU)، بينما تم إنشاء BlCVDD-Net من خلال مزج LeNet و GRU وMultilayer Perceptron. تم استخدام SHapley Additive exPlanations لتوفير فهم واضح لتأثير العوامل المختلفة على تشخيص أمراض القلب والأوعية الدموية. يتم تقييم أداء الشبكة استنادًا إلى مجموعة متنوعة من مقاييس الأداء. تشير النتائج إلى أن EnsCVDD-Net outperform جميع النماذج الأساسية بدقة تبلغ 88%، و F1-score بنسبة 88%، و precision بنسبة 91%، و recall بنسبة 85%، ووقت تنفيذ 777 ثانية. بالمثل، يمتلك BlCVDD-Net، بفضل دقة تبلغ 91%، و F1-score بنسبة 91%، و precision بنسبة 96%، و recall بنسبة 86%، ووقت تنفيذ 247 ثانية، أداءً أفضل من نماذج التعلم العميق الحديثة. للتحقق من نتائج النموذج، يتم استخدام 10-Fold Cross Validation. يتم استخدام تقنية الذكاء الاصطناعي القابل للتفسير، SHapley Additive exPlanation، لمعرفة مساهمة الميزات في تنبؤات النموذج.