DOI: https://doi.org/10.55938/ijgasr.v5i1.305
تاريخ النشر: 2026-03-19
المؤلف: Ashok Ramaswami وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
تقدم ورقة البحث شبكة عصبية متكررة جماعية (ERNN) كطريقة جديدة لتشخيص أمراض القلب والأوعية الدموية (CVDs)، مع معالجة قيود طرق التشخيص التقليدية التي غالبًا ما تفتقر إلى الدقة اللازمة للكشف المبكر. من خلال الاستفادة من القدرات التنبؤية لمختلف هياكل الشبكات العصبية المتكررة، يدمج نموذج ERNN عدة طرق لتعزيز دقة التشخيص. تتكون مجموعة بيانات التدريب من السجلات الطبية وعوامل خطر مرض القلب، وتشير النتائج إلى أن نموذج ERNN يحقق دقة تبلغ 94.7%، مع معدلات حساسية وخصوصية تبلغ 89.2% و89.3% على التوالي، إلى جانب درجة F1 تبلغ 0.91. تُظهر هذه المقاييس تفوق النموذج على الشبكات العصبية المتكررة التقليدية ذات النموذج الواحد ومصنفات التعلم الآلي التقليدية.
في الختام، يُظهر نموذج ERNN المقترح وعدًا كبيرًا لتشخيص أمراض القلب والأوعية الدموية، خاصة من حيث الدقة والصلابة، وهو أمر حاسم للكشف المبكر عن المرض. بينما أدّى النموذج أداءً تنافسيًا في البيئات الخاضعة للرقابة، فإن التحقق الإضافي على مجموعات البيانات السريرية المستقبلية ضروري للتطبيق في العالم الحقيقي. تقترح الدراسة أن العمل المستقبلي يمكن أن يعزز دقة النموذج من خلال التعلم الانتقالي وخوارزميات التعلم العميق المتقدمة، مع معالجة مخاوف خصوصية البيانات أيضًا. بشكل عام، تؤكد النتائج على إمكانيات التعلم الجماعي لتحسين نتائج التشخيص وتقليل معدلات التصنيف الخاطئ، خاصة بالنسبة للسلبيات الكاذبة، والتي تعتبر حاسمة في سياق التدخل المبكر للمرض.
مقدمة
تسلط المقدمة الضوء على القضية الحرجة لأمراض القلب والأوعية الدموية (CVDs)، التي تودي بحياة أكثر من 17.9 مليون شخص سنويًا. غالبًا ما تفشل طرق التشخيص التقليدية بسبب تعقيد أمراض القلب والأوعية الدموية والطبيعة متعددة الأبعاد للبيانات القلبية، مما يعقد التنبؤات الدقيقة. علاوة على ذلك، تثير أنظمة التعلم الآلي المركزية التقليدية مخاوف كبيرة بشأن الخصوصية لأنها تتطلب تجميع بيانات المرضى الحساسة.
لمعالجة هذه التحديات، تقترح الورقة نموذج شبكة عصبية متكررة جماعية (ERNN) يدمج بين هياكل الشبكات العصبية المتكررة المختلفة، بما في ذلك وحدات التكرار المغلقة (GRUs)، لالتقاط الأنماط الزمنية المتنوعة في البيانات بشكل فعال. يستخدم نموذج ERNN تقنيات التعلم الجماعي لتعزيز دقة التشخيص والمرونة. تُظهر التقييمات الأولية أن نموذج ERNN يتفوق على الشبكات العصبية ذات النموذج الواحد وطرق التشخيص التقليدية من حيث الدقة والحساسية، مما يسهل اتخاذ قرارات سريرية مبكرة وأكثر اطلاعًا، مما قد يؤدي إلى تحسين نتائج المرضى. يميز هذا النهج المبتكر نفسه من خلال استخدام مجموعة على مستوى الهيكل من نماذج RNN غير المتجانسة، مما يلتقط الأنماط الزمنية التكميلية بشكل أكثر فعالية من النماذج الهجينة الحديثة التي تعتمد على هيكل متكرر واحد.
النتائج
تظهر نتائج الدراسة فعالية نموذج الشبكة العصبية المتكررة المعززة (ERNN) في التنبؤ بأمراض القلب والأوعية الدموية (CVD) باستخدام مجموعات بيانات كبيرة، تحديدًا مجموعة بيانات أمراض القلب UCI وMIMIC-III. تم تطوير النموذج وتقييمه باستخدام TensorFlow وKeras على أنظمة الحوسبة عالية الأداء المزودة بوحدات معالجة الرسوميات NVIDIA RTX 2080 Ti. تم استخدام مقاييس الأداء مثل الدقة والحساسية (استرجاع)، والخصوصية، ودرجة F1 لتقييم نموذج ERNN مقابل طرق أكثر تقدمًا، بما في ذلك التعلم الجماعي الهجين وطرق التشخيص التقليدية. تشير النتائج إلى أن نموذج ERNN يتفوق على هذه البدائل، محققًا حساسية ودقة أعلى في التنبؤ بأمراض القلب والأوعية الدموية.
استخدمت عملية التدريب معدل تسرب قدره 0.5 للتخفيف من الإفراط في التكيف، بينما ساعد معدل التعلم الثابت البالغ 0.001 مع مُحسّن آدم في تحقيق تقارب مستقر وسريع. تضمنت بنية نموذج ERNN مكونات ذاكرة طويلة وقصيرة الأمد (LSTM)، ووحدة تكرار مغلقة (GRU)، وLSTM ثنائي الاتجاه (BiLSTM)، مع إجراء التدريب على مدى 100 دورة باستخدام حجم دفعة قدره 32. تم تعريف دالة خسارة النموذج على أنها الانتروبيا المتقاطعة الثنائية، وتم استخدام دوال تنشيط ReLU وsigmoid. شملت المنهجية التجريبية زيادة البيانات والتحقق المتقاطع بخمسة طيات، مع تعيين الأوزان الأولية باستخدام تقنية He Normal. تضمنت مجموعات البيانات 303 عينة مع 14 سمة، بما في ذلك عوامل خطر القلب والأوعية الدموية الحرجة مثل العمر، والجنس، ونوع عدم الراحة في الصدر، وضغط الدم أثناء الراحة، ومستويات الكوليسترول.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التقدم في تطبيق تقنيات التعلم العميق، وخاصة الشبكات العصبية المتكررة الجماعية (ERNN)، للكشف عن أمراض القلب والأوعية الدموية (CVD) والتنبؤ بها. غالبًا ما تكافح الطرق التقليدية مثل الانحدار اللوجستي وأشجار القرار مع البيانات المعقدة وعالية الأبعاد، مما يستلزم استخدام نماذج أكثر تطورًا. أظهرت الدراسات السابقة فعالية أساليب التعلم العميق، مثل الشبكات العصبية التلافيفية (CNNs) والشبكات ذات الذاكرة طويلة وقصيرة الأمد (LSTM)، في تحسين دقة التشخيص. ومع ذلك، تعتمد هذه الطرق عادةً على مجموعات بيانات كبيرة ومركزية، مما يثير مخاوف بشأن أمان البيانات وخصوصيتها. يجمع نموذج ERNN المقترح بين نقاط القوة لمختلف هياكل RNN، بما في ذلك LSTM ووحدات التكرار المغلقة (GRU)، لتعزيز الأداء التنبؤي من خلال التقاط أنماط زمنية متنوعة في سجلات صحة المرضى.
يستخدم إطار عمل ERNN استراتيجية التعلم الجماعي، حيث يتم تدريب نماذج RNN متعددة على نفس مجموعة البيانات ويتم دمج تنبؤاتها من خلال طرق مثل التصويت بالأغلبية أو المتوسط المرجح. لا يحسن هذا النهج الدقة والصلابة فحسب، بل يقلل أيضًا من خطر الإفراط في التكيف المرتبط بالنماذج الفردية. تشير النتائج إلى أن نموذج ERNN يتفوق على المصنفات التقليدية وهياكل RNN الفردية، محققًا دقة تبلغ 94.12% وحساسية تبلغ 95.08%. تؤكد التحليلات الإحصائية، بما في ذلك تقييمات فترات الثقة، الأداء المستقر للنموذج عبر طيات التحقق، مما يشير إلى أن التحسينات ذات دلالة إحصائية وليست ناتجة عن تباين عشوائي. تؤكد النتائج على إمكانيات نموذج ERNN كأداة موثوقة للكشف المبكر عن أمراض القلب والأوعية الدموية، مع التأكيد أيضًا على الحاجة إلى مزيد من التحقق في البيئات السريرية الواقعية لضمان قابليته للتطبيق وفعاليته العملية.
DOI: https://doi.org/10.55938/ijgasr.v5i1.305
Publication Date: 2026-03-19
Author(s): Ashok Ramaswami et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
The research paper presents an Ensemble Recurrent Neural Network (ERNN) as a novel method for diagnosing cardiovascular diseases (CVDs), addressing the limitations of conventional diagnostic methods that often lack the necessary accuracy for early detection. By leveraging the predictive capabilities of various recurrent neural network architectures, the ERNN model integrates multiple approaches to enhance diagnostic precision. The training dataset comprises medical records and heart disease risk factors, and the results indicate that the ERNN model achieves an accuracy of 94.7%, with sensitivity and specificity rates of 89.2% and 89.3%, respectively, alongside an F1-score of 0.91. These metrics demonstrate the model’s superiority over traditional single-model RNNs and conventional machine learning classifiers.
In conclusion, the proposed ERNN model shows significant promise for CVD diagnosis, particularly in terms of accuracy and robustness, which is critical for early disease detection. While the model performed competitively in controlled environments, further validation on prospective clinical datasets is necessary for real-world application. The research suggests that future work could enhance the model’s accuracy through transfer learning and advanced deep learning algorithms, while also addressing data privacy concerns. Overall, the findings underscore the potential of ensemble learning to improve diagnostic outcomes and reduce misclassification rates, particularly for false negatives, which are crucial in the context of timely disease intervention.
Introduction
The introduction highlights the critical issue of cardiovascular diseases (CVDs), which claim over 17.9 million lives annually. Traditional diagnostic methods often fall short due to the complexity of CVDs and the multidimensional nature of cardiovascular data, which complicates accurate predictions. Furthermore, conventional centralized machine learning systems raise significant privacy concerns as they require the aggregation of sensitive patient data.
To address these challenges, the paper proposes an ensemble recurrent neural network (ERNN) model that integrates various recurrent neural network architectures, including Gated Recurrent Units (GRUs), to effectively capture diverse temporal patterns in the data. The ERNN model employs ensemble learning techniques to enhance diagnostic accuracy and resilience. Preliminary evaluations demonstrate that the ERNN outperforms single-model neural networks and traditional diagnostic methods in terms of accuracy and sensitivity, thereby facilitating earlier and more informed clinical decision-making, which could lead to improved patient outcomes. This innovative approach distinguishes itself by utilizing an architecture-level ensemble of heterogeneous RNN models, capturing complementary temporal patterns more effectively than recent hybrid models that rely on a single recurrent backbone.
Results
The results of the study demonstrate the effectiveness of the Enhanced Recurrent Neural Network (ERNN) model in predicting cardiovascular diseases (CVD) using large-scale datasets, specifically the UCI Heart Disease Dataset and MIMIC-III. The model was developed and evaluated using TensorFlow and Keras on high-performance computing systems equipped with NVIDIA RTX 2080 Ti GPUs. Performance metrics such as accuracy, sensitivity (recall), specificity, and F1-score were employed to assess the ERNN model against more advanced methods, including hybrid ensemble learning and traditional diagnostic approaches. The findings indicate that the ERNN model outperforms these alternatives, achieving higher sensitivity and accuracy in CVD prediction.
The training process utilized a dropout rate of 0.5 to mitigate overfitting, while a fixed learning rate of 0.001 with the Adam optimizer facilitated stable and rapid convergence. The architecture of the ERNN model incorporated Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), and Bidirectional LSTM (BiLSTM) components, with training conducted over 100 epochs using a batch size of 32. The model’s loss function was defined as binary cross-entropy, and ReLU and sigmoid activation functions were employed. The experimental methodology included data augmentation and five-fold cross-validation, with initial weights set using the He Normal technique. The datasets comprised 303 samples with 14 attributes, including critical cardiovascular risk factors such as age, sex, chest discomfort type, resting blood pressure, and cholesterol levels.
Discussion
The discussion section of the research paper highlights the advancements in applying deep learning techniques, particularly ensemble recurrent neural networks (ERNN), for the detection and prediction of cardiovascular diseases (CVD). Traditional methods like logistic regression and decision trees often struggle with complex, high-dimensional data, necessitating the use of more sophisticated models. Previous studies have demonstrated the efficacy of deep learning approaches, such as convolutional neural networks (CNNs) and long short-term memory (LSTM) networks, in improving diagnostic accuracy. However, these methods typically rely on large, centralized datasets, raising concerns about data security and privacy. The proposed ERNN model aggregates the strengths of various RNN architectures, including LSTM and gated recurrent units (GRU), to enhance predictive performance by capturing diverse temporal patterns in patient health records.
The ERNN framework employs an ensemble learning strategy, where multiple RNN models are trained on the same dataset and their predictions are combined through methods like majority voting or weighted averaging. This approach not only improves accuracy and robustness but also mitigates the risk of overfitting associated with individual models. The results indicate that the ERNN model outperforms traditional classifiers and single RNN architectures, achieving an accuracy of 94.12% and a sensitivity of 95.08%. Statistical analyses, including confidence interval assessments, confirm the model’s stable performance across validation folds, suggesting that the improvements are statistically significant and not due to random variation. The findings underscore the potential of the ERNN model as a reliable tool for early CVD detection, while also emphasizing the need for further validation in real-world clinical settings to ensure its practical applicability and effectiveness.