DOI: https://doi.org/10.1038/s41598-024-74993-2
PMID: https://pubmed.ncbi.nlm.nih.gov/39414872
تاريخ النشر: 2024-10-16
المؤلف: Vivek Pandey وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
تتناول هذه الدراسة القضية الحرجة لاكتشاف وتصنيف أمراض القلب، والتي لا تزال من الأسباب الرئيسية للوفيات في جميع أنحاء العالم. تواجه طرق التعلم العميق التقليدية (DL) والتعلم الآلي (ML) غالبًا تحديات مثل الإفراط في التكيف، وعدم التكيف، والوصول المحدود إلى مجموعات البيانات المعلّمة. للتخفيف من هذه المشكلات، يقترح المؤلفون نموذجًا مبتكرًا يدمج تقنية البلوكشين مع إطار عمل CNN-Bidirectional Long Short-Term Memory (M2MASC-enabled CNN-BiLSTM) المعتمد على مُحسّن بحث مختلط معزز بالانتباه. يستخدم هذا النموذج VGG16 المدرب مسبقًا لتحسين استخراج الميزات ويستفيد من بيانات المرضى في الوقت الحقيقي التي تم جمعها من خلال أجهزة إنترنت الأشياء، مما يضمن التكيف الديناميكي. لا تؤمن تقنية البلوكشين بيانات المرضى فحسب، بل تعزز أيضًا الشفافية والثقة في النظام التنبؤي. يُظهر النموذج أداءً متفوقًا، حيث يحقق دقة تبلغ 98.25%، ودقة تبلغ 99.57%، واسترجاعًا يبلغ 97.53% على مجموعة بيانات MIT-BIH.
في الختام، يمثل نموذج M2MASC-enabled CNN-BiLSTM تقدمًا كبيرًا في الرعاية الصحية التنبؤية، حيث يقدم أداة قوية لتصنيف أمراض القلب في الوقت المناسب. يسمح دمج أجهزة إنترنت الأشياء بالمراقبة المستمرة، بينما تعالج تقنية البلوكشين مخاوف الخصوصية، مما يخلق بيئة آمنة لمشاركة بيانات الصحة. يجمع الهيكل الهجين بشكل فعال بين قدرات استخراج الميزات لـ CNN وقدرة BiLSTM على التقاط الاعتمادات طويلة الأجل، والتي تم تحسينها بشكل أكبر بواسطة خوارزمية M2MASC. قد تستكشف الأعمال المستقبلية دمج نماذج DL المختلفة لتعزيز الأداء وإمكانية دمج هذا النموذج في أنظمة دعم اتخاذ القرار السريري، مما يؤدي إلى تحسين سير العمل في الرعاية الصحية وتقديم رؤى قيمة للمهنيين الطبيين.
طرق
في هذه الدراسة، نفذ المؤلفون نموذجًا باستخدام بايثون وTensorFlow (الإصدار 3.0) على وحدة معالجة الرسوميات NVIDIA GeForce RTX 3080، مما يعزز الكفاءة الحسابية. تم تقسيم مجموعة البيانات إلى 80% للتدريب و20% للتحقق/الاختبار، وتم تقييم الأداء من خلال مقاييس التصنيف مثل الدقة، والدقة، والاسترجاع. استخدم النموذج، المعزز بإطار عمل M2MASC، ثلاث مجموعات بيانات ECG: قاعدة بيانات عدم انتظام ضربات القلب 12-قناة في سانت بطرسبرغ، ومجموعة بيانات MIT-BIH، ومجموعة بيانات تخطيط القلب الكهربائي 12-قناة على نطاق واسع. تضمنت المعلمات الرئيسية معدل تعلم يبلغ 0.01، ومُحسّن آدم، ودالة خسارة متوسط الخطأ التربيعي (MSE)، وحجم دفعة يبلغ 64.
توضح النتائج التجريبية، الموضحة في الشكل 3، فعالية نموذج M2MASC-enabled CNN-BiLSTM لتشخيص أمراض القلب. قدمت مجموعة بيانات MIT-BIH عينتين للقناة لاشتقاق إشارة الإدخال، والتي خضعت لعملية معالجة مسبقة لإزالة ضوضاء الخط الأساسي، مما أدى إلى إدخالات موحدة. تم استخدام اكتشاف قمة R لتحديد توقيت ضربات القلب بدقة، بينما ركز استخراج قمة PQST على مكونات الموجات P وQ وS وT. تم مقارنة أداء النموذج المقترح ضد الطرق التقليدية، بما في ذلك الشبكة العصبية العميقة-تيلز (DNN-Tales)، ونايف بايز، والشبكة العصبية متعددة الطبقات (MLP-NN)، مما يبرز قدراته التنبؤية المتفوقة.
مناقشة
تستعرض قسم المناقشة في ورقة البحث منهجيات مختلفة لتوقع أمراض القلب، مع تسليط الضوء على نقاط القوة والضعف في عدة نماذج. من الجدير بالذكر أن الشبكة العصبية التلافيفية العميقة المعدلة لمحمد أيوب خان (MDCNN) تُظهر تصنيفًا فعالًا لكنها عرضة للإفراط في التكيف وزيادة التعقيد الحسابي مع البيانات المحدودة. وبالمثل، تحقق الشبكة العصبية المعدلة للتعلم العميق لسيمانت سكر سارما دقة عالية وحساسية، لكنها تواجه قيودًا في الأداء بسبب حساسية خوارزمية هوفمان للتغييرات الطفيفة في البيانات المشفرة. تعاني الشبكة العصبية الخفيفة لأريج أ. ماليباري، على الرغم من كفاءتها في جمع البيانات من خلال إنترنت الأشياء، من مشكلات في وقت التنفيذ، بينما تعتبر إطار عمل BiLSTM لنيراج شارما وآخرين، على الرغم من قوتها في استخراج الميزات، كثيفة من الناحية الحسابية.
يهدف النموذج المقترح، وهو نموذج M2MASC-enabled CNN-BiLSTM المدمج مع تقنية البلوكشين، إلى معالجة هذه التحديات. من خلال الاستفادة من إنترنت الأشياء لجمع البيانات المستمرة واستخدام بلوكشين آمن لسلامة البيانات، يعزز النموذج دقة التنبؤ مع التخفيف من الإفراط في التكيف والأعباء الحسابية. تشير التحليلات المقارنة إلى أن هذا النموذج يحقق مقاييس أداء متفوقة، بما في ذلك دقة تبلغ 98.07% ودقة تبلغ 99.72%، متفوقًا بشكل كبير على الطرق التقليدية. تؤكد الدراسة على إمكانية دمج التعلم العميق مع تقنيات تحسين مبتكرة وأنظمة إدارة البيانات الآمنة لتحسين اكتشاف وتصنيف أمراض القلب. قد تركز الأعمال المستقبلية على تحسين هذه المنهجيات واستكشاف قابليتها للتطبيق في بيئات سريرية متنوعة.
DOI: https://doi.org/10.1038/s41598-024-74993-2
PMID: https://pubmed.ncbi.nlm.nih.gov/39414872
Publication Date: 2024-10-16
Author(s): Vivek Pandey et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
The research addresses the critical issue of heart disease detection and classification, which remains a leading cause of mortality worldwide. Traditional deep learning (DL) and machine learning (ML) methods often face challenges such as overfitting, underfitting, and limited access to annotated datasets. To mitigate these issues, the authors propose an innovative model that integrates blockchain technology with a Modified mixed attention-enabled search optimizer-based CNN-Bidirectional Long Short-Term Memory (M2MASC-enabled CNN-BiLSTM) framework. This model utilizes a pre-trained VGG16 for enhanced feature extraction and leverages real-time patient data collected through IoT devices, ensuring dynamic adaptability. The incorporation of blockchain technology not only secures patient data but also fosters transparency and trust in the predictive system. The model demonstrates superior performance, achieving an accuracy of 98.25%, precision of 99.57%, and recall of 97.53% on the MIT-BIH dataset.
In conclusion, the M2MASC-enabled CNN-BiLSTM model represents a significant advancement in predictive healthcare, offering a robust tool for timely heart disease classification. The integration of IoT devices allows for continuous monitoring, while blockchain technology addresses privacy concerns, creating a secure environment for health data sharing. The hybrid architecture effectively combines CNN’s feature extraction capabilities with BiLSTM’s ability to capture long-term dependencies, further refined by the M2MASC algorithm. Future work may explore the combination of various DL models to enhance performance and the potential integration of this model into clinical decision support systems, thereby optimizing healthcare workflows and providing valuable insights to medical professionals.
Methods
In this study, the authors implemented a model using Python and TensorFlow (version 3.0) on an NVIDIA GeForce RTX 3080 GPU, optimizing computational efficiency. The dataset was divided into 80% for training and 20% for validation/testing, with performance evaluated through classification metrics such as accuracy, precision, and recall. The model, enhanced by the M2MASC framework, utilized three ECG datasets: the St. Petersburg INCART 12-lead arrhythmia database, the MIT-BIH dataset, and The Large Scale 12-lead Electrocardiogram dataset. Key hyperparameters included a learning rate of 0.01, the Adam optimizer, a Mean Squared Error (MSE) loss function, and a batch size of 64.
The experimental results, illustrated in Figure 3, demonstrate the efficacy of the M2MASC-enabled CNN-BiLSTM model for heart disease diagnosis. The MIT-BIH dataset provided two lead samples for input signal derivation, which underwent preprocessing to eliminate baseline noise, leading to standardized inputs. R-peak detection was employed to accurately identify the timing of heartbeats, while PQST peak extraction focused on the P, Q, S, and T wave components. The performance of the proposed model was compared against traditional methods, including Deep Neural Network-Tales (DNN-Tales), Naïve Bayes, and Multi-Layer Perceptron Neural Network (MLP-NN), highlighting its superior predictive capabilities.
Discussion
The discussion section of the research paper reviews various methodologies for heart disease prediction, highlighting the strengths and weaknesses of several models. Notably, Mohammad Ayoub Khan’s Modified Deep Convolutional Neural Network (MDCNN) demonstrates effective classification but is prone to overfitting and increased computational complexity with limited data. Similarly, Simanta Shekhar Sarmah’s Deep Learning Modified Neural Network achieves high accuracy and sensitivity but faces performance limitations due to the Huffman algorithm’s sensitivity to minor changes in encoded data. Areej A. Malibari’s lightweight CNN, while efficient in data gathering through IoT, suffers from execution time issues, and Neeraj Sharma et al.’s BiLSTM framework, although robust in feature extraction, is computationally intensive.
The proposed model, an M2MASC-enabled CNN-BiLSTM integrated with blockchain technology, aims to address these challenges. By leveraging IoT for continuous data collection and employing a secure blockchain for data integrity, the model enhances prediction accuracy while mitigating overfitting and computational burdens. The comparative analysis indicates that this model achieves superior performance metrics, including an accuracy of 98.07% and precision of 99.72%, significantly outperforming traditional methods. The research underscores the potential of combining deep learning with innovative optimization techniques and secure data management systems to improve heart disease detection and classification. Future work may focus on refining these methodologies and exploring their applicability in diverse clinical settings.