DOI: https://doi.org/10.32604/cmc.2024.054591
تاريخ النشر: 2024-01-01
المؤلف: Deema Mohammed Alsekait وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
تناقش هذه القسم القضية الملحة لمرض القلب، الذي لا يزال سببًا كبيرًا للمراضة والوفيات على مستوى العالم، مما يستدعي التقدم في منهجيات التشخيص. غالبًا ما تكون الطرق التشخيصية التقليدية محدودة بسبب اعتمادها على بيانات أحادية النمط وقابليتها لعطل المعدات، مما يمكن أن يؤثر على الدقة، خاصة في حالات التصوير منخفض الجودة. علاوة على ذلك، تتطلب هذه الطرق عادةً وقتًا وخبرة كبيرة، مما يجعلها أقل قابلية للتطبيق في البيئات ذات الموارد المحدودة.
استجابةً لهذه التحديات، تقدم الدراسة Heart-Net، وهو إطار عمل للتعلم العميق متعدد الأنماط يدمج البيانات من تصوير القلب بالرنين المغناطيسي (MRI) وتخطيط القلب الكهربائي (ECG) لتعزيز تشخيص مرض القلب. يستخدم Heart-Net شبكة U-Net ثلاثية الأبعاد لتحليل MRI وشبكة عصبية رسومية تلافيفية زمنية (TCGN) لاستخراج ميزات ECG، مستفيدًا من آلية الانتباه لإعطاء الأولوية للميزات ذات الصلة. يتم إجراء عملية التصنيف باستخدام TCGN المحسن، مما يؤدي إلى تحسين الكشف المبكر، وتقليل الأخطاء التشخيصية، وتعزيز تقييمات المخاطر الشخصية. تشير النتائج إلى أن Heart-Net يتفوق بشكل كبير على النماذج التقليدية أحادية النمط، محققًا دقة بنسبة 92.56%، 93.45%، و91.89% لمجموعات بيانات Heartnet I وII وIII، على التوالي. تسلط هذه النتائج الضوء على إمكانيات Heart-Net في تحويل تشخيص مرض القلب وتحسين النتائج السريرية.
مقدمة
يظل مرض القلب تحديًا صحيًا عالميًا رائدًا، حيث يتسبب في حوالي 18 مليون وفاة سنويًا، أو 32% من جميع الوفيات في جميع أنحاء العالم. تشمل العوامل المساهمة خيارات نمط الحياة غير الصحية، وارتفاع ضغط الدم، وارتفاع الكوليسترول، والسكري، والاستعدادات الوراثية، والتوتر، والسمنة. تعاني الطرق التشخيصية التقليدية مثل تخطيط القلب الكهربائي (ECGs)، وتصوير القلب بالموجات فوق الصوتية، واختبارات الإجهاد، واختبارات الدم من قيود، بما في ذلك احتمالية عدم الدقة والتقييمات غير الكاملة لصحة القلب. تؤكد هذه النقائص على الحاجة الملحة لاستراتيجيات تشخيصية أكثر فعالية.
لمعالجة هذه القيود، يقدم البحث Heart-Net، وهو إطار عمل للتعلم العميق متعدد الأنماط يدمج بيانات MRI وECG القلبية. يستفيد هذا النهج المبتكر من نقاط القوة في كلا النمطين—تصوير MRI الهيكلي التفصيلي وقدرة ECG على اكتشاف الشذوذات الكهربائية—مما يعزز دقة وشمولية التشخيص. يستخدم Heart-Net شبكة U-Net ثلاثية الأبعاد لتحليل MRI الحجمي وشبكة تسلسلية لاستخراج ميزات ECG، مستفيدًا من آلية الانتباه لإعطاء الأولوية للميزات ذات الصلة. يهدف هذا النموذج المتكامل إلى تحسين الكشف المبكر عن مرض القلب، وتقليل الأخطاء التشخيصية، ودعم رعاية المرضى الشخصية، مما يساهم في اتخاذ قرارات سريرية أفضل ونتائج صحية محسنة.
طرق
توضح قسم “الطرق” هيكل ونظام العمل النموذجي للنموذج المقترح، الذي يتكون من أربعة مكونات رئيسية: جمع البيانات، المعالجة الأولية، استخراج الميزات، والتصنيف النهائي. تم توفير مخططات تخطيطية، مثل الشكل 2، لتمثيل هذه المكونات وتفاعلاتها بصريًا.
في قسم “التقييم التجريبي”، يوضح المؤلفون سلسلة من التجارب التي أجريت لتقييم دقة وكفاءة الطريقة المقترحة. تشير النتائج إلى أن النظام المطور يتجاوز بشكل كبير أداء الطرق الحالية المتطورة، مما يدل على فعاليته في التطبيق المقصود.
نتائج
يستخدم قسم النتائج في الدراسة تقنية K-Fold Cross Validation مع \( K = 5 \) لتقييم أداء النموذج المقترح، مما يضمن استخدام كل من المجموعات الفرعية الخمس للتحقق مرة واحدة. تم تقييم فعالية النموذج من خلال مقاييس الدقة، والدقة، والاسترجاع، مع تمثيلات رسومية في الأشكال 5 و6 توضح الأداء العالي عبر مجموعات بيانات مختلفة. على وجه التحديد، حقق النموذج دقة، ودقة، ودرجات استرجاع بنسبة 91.74%، 90.15%، و91.45% على مجموعة بيانات HNET-DSI، مع نتائج مثيرة للإعجاب مماثلة لـ HNET-DSII (93.47%، 91.2%، 92.24%) وHNET-DSIII (92.25%، 91.45%، 92.05%).
أظهر التحليل الإضافي باستخدام مصفوفات الالتباس ومنحنيات ROC فعالية النموذج في تمييز الحالات الصحيحة والخاطئة، محققًا متوسط منطقة تحت المنحنى (AUC) قدره 0.93. كشفت التحليلات المقارنة ضد ثلاثة نماذج أساسية أن النموذج المقترح تفوق عليها بشكل كبير، مع مقاييس دقة، ودقة، واسترجاع قدرها 92.55%، 90.67%، و91.5%، على التوالي. بالإضافة إلى ذلك، عند مقارنته بالطريقة المقترحة من قبل إسلام وآخرين، أظهر النهج الجديد تحسينات مستمرة في الدقة عبر جميع مجموعات البيانات، مما يدل على أدائه المتفوق في توقع مرض القلب. بشكل عام، تؤكد النتائج على التقدم الذي أحرزه النموذج المقترح، مما يشير إلى أن التحسينات في تصميم الخوارزميات وطرق استخراج الميزات قد ساهمت بشكل كبير في فعاليته.
نقاش
تناقش الورقة البحثية التقدمات الكبيرة في تشخيص مرض القلب من خلال تطوير Heart-Net، وهو نموذج تعلم عميق متعدد الأنماط يدمج بيانات MRI وECG القلبية. تحدد الدراسة فجوة حاسمة في الأدبيات الحالية بشأن طرق التشخيص أحادية النمط، مما يبرز الحاجة إلى حلول شاملة. من خلال استخدام تقنيات استخراج الميزات المبتكرة، بما في ذلك شبكة U-Net ثلاثية الأبعاد لـ MRI وشبكة عصبية رسومية تلافيفية زمنية (TCGNN) لـ ECG، يعزز النموذج دمج أنواع البيانات المتنوعة. تظهر النتائج التجريبية دقة النموذج العالية، حيث حقق 92.56% لـ HNET-DSI، و93.45% لـ HNET-DSII، و91.89% لـ HNET-DSIII، مما يضع معيارًا جديدًا لموثوقية التشخيص والكشف المبكر عن مرض القلب.
تسلط مراجعة الأدبيات الضوء على مساهمات متنوعة في توقع مرض القلب، مما يبرز أهمية اختيار الميزات وقيود الطرق التشخيصية التقليدية. أظهرت الدراسات السابقة نتائج واعدة باستخدام تقنيات مثل الخوارزميات الجينية التكيفية، وتصنيف التجميع، وطرق التعلم الآلي، لكنها غالبًا ما واجهت تحديات مع البيانات عالية الأبعاد واستخراج الميزات. يعالج Heart-Net هذه القضايا من خلال الاستفادة من الخوارزميات المتقدمة لتحسين الدقة التنبؤية وتعزيز قدرات التشخيص عن بُعد. تؤكد النتائج على الحاجة الملحة لحلول مبتكرة مثل Heart-Net لتحسين رعاية المرضى وتقليل معدلات الوفيات المرتبطة بمرض القلب.
DOI: https://doi.org/10.32604/cmc.2024.054591
Publication Date: 2024-01-01
Author(s): Deema Mohammed Alsekait et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
The section discusses the pressing issue of heart disease, which remains a significant cause of morbidity and mortality globally, necessitating advancements in diagnostic methodologies. Traditional diagnostic approaches are often limited by their dependence on single-modality data and susceptibility to equipment malfunctions, which can compromise accuracy, particularly in cases of low-quality imaging. Furthermore, these methods typically demand considerable time and expertise, rendering them less feasible in resource-constrained environments.
In response to these challenges, the study presents Heart-Net, a multi-modal deep learning framework that integrates data from Cardiac Magnetic Resonance Imaging (MRI) and Electrocardiogram (ECG) to enhance heart disease diagnosis. Heart-Net employs a 3D U-Net for MRI analysis and a Temporal Convolutional Graph Neural Network (TCGN) for ECG feature extraction, utilizing an attention mechanism to prioritize relevant features. The classification process is conducted using an optimized TCGN, leading to improved early detection, reduced diagnostic errors, and enhanced personalized risk assessments. The results indicate that Heart-Net significantly outperforms traditional single-modality models, achieving accuracies of 92.56%, 93.45%, and 91.89% for the Heartnet Datasets I, II, and III, respectively. These findings highlight Heart-Net’s potential to transform heart disease diagnostics and improve clinical outcomes.
Introduction
Heart disease remains a leading global health challenge, accounting for approximately 18 million deaths annually, or 32% of all deaths worldwide. Contributing factors include unhealthy lifestyle choices, high blood pressure, high cholesterol, diabetes, genetic predispositions, stress, and obesity. Traditional diagnostic methods such as electrocardiograms (ECGs), echocardiograms, stress tests, and blood tests have limitations, including potential inaccuracies and incomplete assessments of heart health. These shortcomings underscore the urgent need for more effective diagnostic strategies.
To address these limitations, the research introduces Heart-Net, a multi-modal deep learning framework that integrates cardiac MRI and ECG data. This innovative approach leverages the strengths of both modalities—MRI’s detailed structural imaging and ECG’s ability to detect electrical anomalies—thereby enhancing diagnostic accuracy and comprehensiveness. Heart-Net employs a 3D U-Net for volumetric MRI analysis and a sequential network for ECG feature extraction, utilizing an attention mechanism to prioritize relevant features. This integrated model aims to improve early detection of heart disease, reduce diagnostic errors, and support personalized patient care, ultimately contributing to better clinical decision-making and health outcomes.
Methods
The “Methods” section outlines the architecture and operational workflow of the proposed model, which is structured into four key components: data collection, preliminary preprocessing, feature extraction, and final classification. Schematic diagrams, such as Fig. 2, are provided to visually represent these components and their interactions.
In the “Experimental Evaluation” subsection, the authors detail a series of experiments conducted to assess the accuracy and efficiency of the proposed method. The results indicate that the developed system significantly surpasses the performance of existing state-of-the-art methods, demonstrating its effectiveness in the intended application.
Results
The results section of the study employs K-Fold Cross Validation with \( K = 5 \) to evaluate the proposed model’s performance, ensuring each of the five subsets is used for validation once. The model’s efficacy was assessed through precision, accuracy, and recall metrics, with graphical representations in Figures 5 and 6 illustrating high performance across various datasets. Specifically, the model achieved accuracy, precision, and recall scores of 91.74%, 90.15%, and 91.45% on the HNET-DSI dataset, with similar impressive results for HNET-DSII (93.47%, 91.2%, 92.24%) and HNET-DSIII (92.25%, 91.45%, 92.05%).
Further analysis using confusion matrices and ROC curves demonstrated the model’s effectiveness in distinguishing true and false instances, achieving an average Area Under Curve (AUC) of 0.93. Comparative analysis against three baseline models revealed that the proposed model outperformed them significantly, with accuracy, precision, and recall metrics of 92.55%, 90.67%, and 91.5%, respectively. Additionally, when compared to the method proposed by Islam et al., the new approach consistently showed improvements in accuracy across all datasets, indicating its superior performance in heart disease prediction. Overall, the results underscore the advancements made by the proposed model, suggesting that enhancements in algorithmic design and feature extraction methods have substantially contributed to its efficacy.
Discussion
The research paper discusses significant advancements in heart disease diagnosis through the development of Heart-Net, a multi-modal deep learning model that integrates cardiac MRI and ECG data. The study identifies a critical gap in existing literature regarding single-modality diagnostic methods, emphasizing the need for comprehensive solutions. By employing innovative feature extraction techniques, including a 3D U-Net for MRI and a Temporal Convolutional Graph Neural Network (TCGNN) for ECG, the model enhances the integration of diverse data types. Experimental results demonstrate the model’s high accuracy, achieving 92.56% for HNET-DSI, 93.45% for HNET-DSII, and 91.89% for HNET-DSIII, thereby setting a new standard for diagnostic reliability and early detection of heart disease.
The literature review highlights various contributions to heart disease prediction, underscoring the importance of feature selection and the limitations of traditional diagnostic methods. Previous studies have shown promising results using techniques such as adaptive genetic algorithms, ensemble classification, and machine learning approaches, but often faced challenges with high-dimensional data and feature extraction. Heart-Net addresses these issues by leveraging advanced algorithms to improve predictive accuracy and enhance tele-diagnostic capabilities. The findings underscore the pressing need for innovative solutions like Heart-Net to improve patient care and reduce mortality rates associated with heart disease.