المستخلص
يُعدّ الكشف المبكر والدقيق عن أمراض القلب والأوعية الدموية أمرًا بالغ الأهمية لتحديد العلاج الأمثل والوقاية من المضاعفات الخطيرة. يستغرق التفسير اليدوي لتخطيط كهربية القلب (ECG) – كطريقة تشخيصية تقليدية – وقتًا طويلاً، كما أنه عرضة للاختلاف عند الفحص. وقد أدى ذلك إلى الحاجة لأنظمة دعم تشخيصية فعالة ودقيقة وذاتية. لذا، تقترح هذه الرسالة نظامين يعتمدان على التعلم العميق للكشف عن أمراض القلب والأوعية الدموية، باستخدام إشارات تخطيط كهربية القلب أو الصور.
في النظام الأول المقترح، تُصنّف أمراض القلب والأوعية الدموية بالاعتماد على وحدات التكرار البوابية (GRUs)، أو الذاكرة طويلة المدى (LSTM)، أو الشبكة العصبية الالتفافية أحادية البعد (1DCNN), باستخدام مجموعة بيانات إشارات تخطيط كهربية القلب المرجعية (مجموعة بيانات MIT-BIH لاضطراب النظم). لتحسين التعميم والكفاءة في تدريب النماذج المتكررة، تُستخدم آليات استدعاء تكيفية متنوعة، تشمل التوقف المبكر، وتقليل معدل الانحدار عند مستوى الثبات، ونقطة فحص النموذج. في النظام المقترح الثاني، يُقترح نظام تشخيصي مُخصص قائم على الشبكات العصبية التلافيفية (CNN) للتصنيف الآلي لأمراض القلب والأوعية الدموية باستخدام مجموعة بيانات متاحة للعموم لصور تخطيط كهربية القلب (ECG) ذات 12 قناة. طُبقت معالجة مسبقة مكثفة وتوسيع للبيانات على مجموعة البيانات لتحسين تنوع الإشارة وتقليل التجاوز. تتضمن شبكة CNN المقترحة عدة لبنات بناء، تشمل طبقات تلافيفية عريضة قابلة للفصل وطبقات زمنية ممتدة، بهدف امتلاك أنماط مورفولوجية دقيقة وتبعيات مكانية أوسع في صور تخطيط كهربية القلب. بالإضافة إلى ذلك، استُخدمت عدة طبقات من التطبيع الدفعي والتسرب لتحقيق استقرار التدريب وتحسين التعميم.
في النظام المقترح الأول، أظهرت النتائج أنه على الرغم من أن نموذجي LSTM وCNN أحادي البعد متعدد الطبقات المُحسَّنين قد أظهرا قدرة تنبؤية قوية في تعلم التسلسل الزمني واستخلاص الخصائص المكانية لإشارات تخطيط كهربية القلب (ECG) على التوالي، إلا أن نموذج GRU المُحسَّن تفوق عليه، محققًا دقة ووضوحًا واستدعاءً ودرجة F1 99%. تؤكد هذه النتائج أن نموذج GRU، عند دمجه مع منهجيات تدريب مُهيكلة بعناية، يُوفر نظامًا فعالًا ودقيقًا للتنبؤ بأمراض القلب والأوعية الدموية، مع إمكانيات كبيرة لدمجه في أنظمة دعم القرار السريري. في النظام المقترح الثاني، أظهرت النتائج أن نموذج CNN المقترح تفوق عليه، محققًا دقة 99%، متفوقًا على النماذج الأخرى. وفيما يتعلق بهذا النظام، تم تطوير أداة دعم تشخيصية لتسريع التنفيذ الفوري وتوفير إطار عمل “سهل التفسير” للكشف عن أمراض القلب والأوعية الدموية.
