تنبؤ أمراض القلب باستخدام بنية TabNet هجينة مع تعلم الفرق المكدس

تظل الأمراض القلبية الوعائية (CVDs) السبب الرئيسي للوفاة في جميع أنحاء العالم، والكشف المبكر أمر حاسم للتدخل في الوقت المناسب وتحسين نتائج المرضى. ومع ذلك، غالبًا ما تقتصر أدوات التنبؤ الحالية على بيانات مرضى صاخبة ومتنوعة ودقة متواضعة. لمعالجة هذا التحدي، نقترح إطار عمل لكومة الفرق يدمج: TabNet، وهو نموذج تعلم عميق يمكنه تحديد الميزات السريرية الأكثر أهمية، وXGBoost، وهي طريقة قوية قائمة على الأشجار معروفة بمتانتها. يتم دمج مخرجاتها باستخدام الانحدار اللوجستي (LR) أو آلة الدعم الشعاعي (SVM) كمتعلم شامل، مما يخلق نظامًا يوازن بين الدقة وقابلية التفسير. تظهر الاختبارات على مجموعات بيانات CVD الخاصة بـ Kaggle وUCI أن مجموعتنا تمثل أداءً متفوقًا باستمرار على النماذج الأساسية عبر الدقة، وF1-score، والدقة، والاسترجاع، وROC-AUC، وPR-AUC، ومعامل الارتباط ماثيو (MCC). تشير هذه النتائج إلى أن الجمع بين التعلم العميق مع النماذج القائمة على الأشجار يوفر طريقة عملية لتحسين التنبؤ بالمخاطر، مما يدعم الأطباء في اتخاذ قرارات أكثر موثوقية للكشف المبكر عن CVD.