DOI: https://doi.org/10.3389/fmed.2024.1414637
PMID: https://pubmed.ncbi.nlm.nih.gov/38966533
تاريخ النشر: 2024-06-20
المؤلف: Aman Darolia وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
تتناول ورقة البحث القضية الحرجة لتوقع الأمراض القلبية الوعائية (CVD)، مع التأكيد على الحاجة إلى منهجيات متقدمة في تحليل بيانات الرعاية الصحية بسبب الأبعاد العالية لمجموعات البيانات الطبية. يقترح المؤلفون نموذجًا هجينًا جديدًا يعمل من خلال أربع مراحل رئيسية: المعالجة المسبقة، استخراج الميزات، اختيار الميزات (FS)، والتصنيف. تزيل معالجة البيانات المسبقة التناقضات، بينما يستخدم استخراج الميزات مقاييس إحصائية للتخفيف من تحديات الأبعاد. يتم تعزيز عملية FS باستخدام نهج تحسين أكويلا الذاتي المحسن، مما يؤدي إلى نموذج هجين يجمع بين الذاكرة طويلة وقصيرة المدى (LSTM) والشبكات العصبية الكمومية (QNN). يتم تقديم خوارزمية لتحسين أوزان نموذج LSTM.
يتم تقييم أداء النموذج المقترح مقابل المنهجيات الحالية، مما يسفر عن نتائج مثيرة للإعجاب: بالنسبة لمجموعة البيانات-1، حقق النموذج دقة تبلغ 96.69%، وبالنسبة لمجموعة البيانات-2، دقة تبلغ 95.54%. تظهر مقاييس إضافية، بما في ذلك الحساسية، والخصوصية، ودرجة F1، فعالية النموذج بشكل أكبر. تشير النتائج إلى أن النموذج الهجين لا يعزز فقط دقة التوقعات، بل يوضح أيضًا المسارات الفسيولوجية المتعلقة بمخاطر القلب والأوعية الدموية. تبرز الخاتمة التقدم المحرز في توقع CVD من خلال هذا النهج المبتكر، مما يشير إلى إمكانيات البحث والتطبيق المستقبلي في الإعدادات السريرية.
مقدمة
تسلط المقدمة الضوء على التحدي الصحي العالمي الحرج الذي تطرحه الأمراض القلبية الوعائية (CVD)، والتي تمثل حوالي 17.9 مليون حالة وفاة سنويًا، بسبب السكتة الدماغية وأمراض القلب بشكل أساسي. تقدر منظمة الصحة العالمية (WHO) معدل الوفيات بنسبة 37%، مما يبرز الحاجة الملحة لفهم شامل وإدارة عوامل خطر CVD مثل ارتفاع ضغط الدم، مستويات الأنسولين، التدخين، وأنماط الحياة المستقرة. تؤكد الورقة على أن ما يصل إلى 90% من حالات CVD يمكن الوقاية منها، مما يتطلب استراتيجيات الكشف المبكر والتدخل. ومع ذلك، فإن تعقيد توقع CVD، الذي يتفاقم بسبب مجموعات البيانات الضخمة ذات الميزات غير ذات الصلة، يقدم تحديات كبيرة للتصنيف والتشخيص الدقيق.
لمعالجة هذه القضايا، يقترح البحث نموذجًا هجينًا ذكيًا مع مجموعة ميزات مثالية تهدف إلى تعزيز توقع CVD من خلال تقنيات اختيار الميزات (FS) وطرق التعلم الآلي المتقدمة (ML). توضح المقدمة مساهمات النموذج، بما في ذلك تنفيذ طريقة SIAO لاختيار الميزات المثالي ودمج الذاكرة طويلة وقصيرة المدى (LSTM) والشبكات العصبية الكمومية (QNN) لتحسين الأداء التنبؤي. تناقش الورقة أيضًا قيود الطرق التشخيصية التقليدية وإمكانية خوارزميات ML لتحليل مجموعات البيانات الواسعة من أجل تحسين تقييم المخاطر. تشمل الاتجاهات المستقبلية التعاون متعدد التخصصات لدمج مصادر البيانات المتنوعة، بما في ذلك العوامل الوراثية وأنماط الحياة، لتحسين نماذج التنبؤ وتحسين نتائج الرعاية الصحية.
طرق
تتضمن المنهجية المستخدمة في هذا البحث نموذجًا هجينًا يجمع بين شبكات الذاكرة طويلة وقصيرة المدى (LSTM) والشبكات العصبية الكمومية (QNN) لتعزيز دقة التوقع للأمراض القلبية الوعائية (CVD). يتم استخدام طريقة SIAO لتحسين تعديلات الوزن لنموذج LSTM، مما يحسن الأداء العام لنموذج التنبؤ.
تتم هيكلة عملية توقع CVD في أربع خطوات حاسمة: المعالجة المسبقة، استخراج الميزات، اختيار الميزات (FS)، والتنبؤ النهائي. يتم تمثيل هذه الخطوات بصريًا في الشكل 1، مما يوضح النهج المنهجي المتبع لتحقيق توقعات دقيقة لـ CVD.
نقاش
في مناقشة التقدمات الأخيرة في منهجيات توقع الأمراض القلبية الوعائية (CVD)، تسلط عدة دراسات الضوء على أساليب مبتكرة تستفيد من تقنيات التعلم الآلي والتعلم العميق. قدم بالانيفل وآخرون (15) نموذجًا متعدد الطبقات (MLP) معززًا بحركة براونية محسنة تعتمد على خوارزمية اليعسوب (MLP-EBMDA)، محققين دقة تصنيف تبلغ 94.28%. ومع ذلك، أشاروا إلى ضرورة التحقق من صحة نموذجهم في العالم الحقيقي. في المقابل، ركز يوال وآخرون (16) على توازن البيانات واكتشاف القيم الشاذة، مستخدمين مجموعة بيانات كليفلاند لتحقيق دقة مثيرة للإعجاب تبلغ 98.73% ومعدل حساسية يبلغ 98%، مما يوضح فعالية إطار عملهم دون اختيار الميزات. جمع بهيرا وآخرون (17) بين تحسين سرب الجسيمات المعدل وآلات الدعم (SVM) لتعزيز التوقعات لأمراض القلب والكبد، بينما اقترح سوده وكومار (18) شبكة هجين من CNN وLSTM تفوقت على النماذج التقليدية بدقة بلغت 89%.
كما تؤكد المناقشة على التحديات التي تواجهها أنظمة توقع CVD التقليدية، كما أوضح إلافاراسي وآخرون (19)، الذين دمجوا خوارزمية بحث الفيل مع SVM لتحسين القابلية للتفسير والدقة. تكشف المراجعة المنهجية لهذه النماذج عن طيف من نقاط القوة والضعف، مما يبرز الحاجة إلى مزيد من البحث لتحسين المنهجيات. يهدف النموذج المقترح في هذه الورقة إلى دمج نقاط القوة في التعلم العميق والخوارزميات المستوحاة من الطبيعة، لا سيما من خلال اختيار الميزات المحسن باستخدام خوارزمية تحسين أكويلا الذاتي المحسن (SIAO) ومصنف LSTM-QNN الهجين، لتعزيز الدقة والقابلية للتطبيق العملي في سيناريوهات توقع CVD في العالم الحقيقي.
DOI: https://doi.org/10.3389/fmed.2024.1414637
PMID: https://pubmed.ncbi.nlm.nih.gov/38966533
Publication Date: 2024-06-20
Author(s): Aman Darolia et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
The research paper addresses the critical issue of cardiovascular disease (CVD) prediction, emphasizing the need for advanced methodologies in healthcare data analysis due to the high dimensionality of medical datasets. The authors propose a novel hybrid model that operates through four key stages: preprocessing, feature extraction, feature selection (FS), and classification. Data preprocessing removes inconsistencies, while feature extraction employs statistical measures to mitigate dimensionality challenges. The FS process is enhanced using the self-improved Aquila optimization approach, culminating in a hybrid model that combines long short-term memory (LSTM) and quantum neural networks (QNN). An algorithm is introduced to optimize the weights of the LSTM model.
The performance of the proposed model is evaluated against existing methodologies, yielding impressive results: for dataset-1, the model achieved an accuracy of 96.69% and for dataset-2, an accuracy of 95.54%. Additional metrics, including sensitivity, specificity, and F1-score, further demonstrate the model’s effectiveness. The findings indicate that the hybrid model not only enhances prediction accuracy but also elucidates physiological pathways related to cardiovascular risk. The conclusion highlights the advancements made in CVD prediction through this innovative approach, suggesting potential for future research and application in clinical settings.
Introduction
The introduction highlights the critical global health challenge posed by cardiovascular disease (CVD), which accounts for approximately 17.9 million deaths annually, primarily due to stroke and heart disease. The World Health Organization (WHO) estimates a 37% mortality rate, underscoring the urgency for comprehensive understanding and management of CVD risk factors such as hypertension, insulin levels, smoking, and sedentary lifestyles. The paper emphasizes that up to 90% of CVD cases are preventable, necessitating early detection and intervention strategies. However, the complexity of CVD prediction, compounded by vast datasets with irrelevant features, presents significant challenges for accurate classification and diagnosis.
To address these issues, the research proposes a Hybrid Intelligent Model with an Optimal Feature Set aimed at enhancing CVD prediction through feature selection (FS) techniques and advanced machine learning (ML) methods. The introduction outlines the model’s contributions, including the implementation of the SIAO method for optimal FS and the integration of Long Short-Term Memory (LSTM) and Quantum Neural Networks (QNN) to improve predictive performance. The paper also discusses the limitations of traditional diagnostic methods and the potential of ML algorithms to analyze extensive datasets for better risk assessment. Future directions involve multidisciplinary collaboration to integrate diverse data sources, including genetic and lifestyle factors, to refine predictive models and improve healthcare outcomes.
Methods
The methodology employed in this research involves a hybrid model that combines Long Short-Term Memory (LSTM) networks with Quantum Neural Networks (QNN) to enhance prediction accuracy for cardiovascular disease (CVD). The SIAO method is utilized to optimize the weight adjustments of the LSTM, thereby improving the overall performance of the prediction model.
The CVD prediction process is structured into four critical steps: preprocessing, feature extraction, feature selection (FS), and the final prediction. These steps are visually represented in Figure 1, illustrating the systematic approach taken to achieve accurate CVD predictions.
Discussion
In the discussion of recent advancements in cardiovascular disease (CVD) prediction methodologies, several studies highlight innovative approaches that leverage machine learning and deep learning techniques. Palanivel et al. (15) introduced a Multi-Layer Perceptron (MLP) combined with an Enhanced Brownian Motion based on the Dragonfly Algorithm (MLP-EBMDA), achieving a classification accuracy of 94.28%. However, they noted the necessity for real-world validation of their model. In contrast, Yewale et al. (16) focused on data balance and outlier detection, utilizing the Cleveland dataset to achieve an impressive accuracy of 98.73% and a sensitivity rate of 98%, demonstrating the effectiveness of their framework without feature selection. Behera et al. (17) combined modified particle swarm optimization with support vector machines (SVM) to enhance predictions for heart and liver diseases, while Sudha and Kumar (18) proposed a hybrid CNN and LSTM network that outperformed traditional models with an accuracy of 89%.
The discussion also emphasizes the challenges faced by conventional CVD prediction systems, as outlined by Elavarasi et al. (19), who integrated an elephant search algorithm with SVM to improve interpretability and accuracy. The systematic review of these models reveals a spectrum of strengths and weaknesses, underscoring the need for further research to refine methodologies. The proposed model in this paper aims to integrate the strengths of deep learning and bio-inspired algorithms, particularly through optimized feature selection using the Self-Improved Aquila Optimization (SIAO) algorithm and a hybrid LSTM-QNN classifier, to enhance accuracy and practical applicability in real-world CVD prediction scenarios.