استخدام الشبكة العصبونية التلافيفية (CNN) للمساعدة على تشخيص مرض قصور القلب (CHF)
المعلوماتية >>>> الذكاء الصنعي
Image: https://medicalxpress.com/news/2018-11-coronary-calcium-predictor-patients-heart.html
تناولت هذه الدراسة تلك الفجوة المهمة في المجتمع البحثي، فهي تقدم أنموذجَ شبكةٍ عصبونية تلافيفية أحادية البعد 1D CNN يكشف بدقة عن CHF.
تقترح الدراسة طريقة جديدة وفعالة للكشف عن CHF، التي تعتمد على استخدام تخطيط القلب الكهربائي (ElectrocarDiography (ECG، وقد تميزت عن بدائلها بأنها ذات دقة عالية في الكشف.
استخدمت مجموعتَي بيانات Data sets:
يبين الشكل -1- معمارية الأنموذج المُقدَّم؛ إذ استُخدِم المصنف CNN لاستخلاص السمات من المدخلات، وهو ممثل في المعمارية باسم "CNN Blocks".
بنية الشبكة العصبونية التلافيفية المستخدمة:
يُعدّ خرج المصنف CNN دخلًا لشبكة بيرسيبترون المتعددة الطبقات (Multilayer Perceptron network (MLP، وهي ممثلة في المعمارية بالاسم "MLP"، وقد استُخدمت تقنية التعيين الفعال لفئة التدرج المرجح Grad-CAM) Gradient-weighted Class Activation Mapping)** لتحديد المنطقة المهمة التي تساعد -على نحو رئيس- على التنبؤ بحالة نبضة القلب إن كانت تنتمي للأشخاص الأصحاء أم مرضى فشل القلب الاحتقاني.
Image: https://ars.els-cdn.com/content/image/1-s2.0-S1746809419301776-gr1.jpg
الشكل-1-: معمارية الأنموذج المُطوَّر في الدراسة
آلية العمل والنتيجة:
دُرِّب أنموذج شبكة عصبونية تلافيفية CNN على مجموعة من النبضات الكهربائية للقلب، ثم اختُبِر مدى قدرته على التصنيف والتمييز ما بين نبضات قلب شخص معافى ونبضات شخص مصاب بمرض فشل القلب الاحتقاني، وقد أظهر الأنموذج المطور مستويات دقة عالية في الأداء عند الكشف عن مرض القلب الاحتقاني.
إنّ هذه الدراسة هي الأولى التي تستخدم أساليب التعلم الآلي المتقدمة للكشف عن الخصائص المورفولوجية لنبضات ECG، وذلك في أثناء الكشف عن CHF بكفاءة. كذلك تعدُّ مساهمةً مهمة في الممارسة السريرية؛ لأن من الطبيعي أن يرفض الأطباء تبني طرائق غير شفافة تمامًا في إظهار كيفية اتخاذ قرارات معينة.
الهوامش
* الشبكة العصبونية التلافيفية (Convolutional Neural Network(CNN: هي أحد أنواع التعلم العميق (الشبكات العصبونية العميقة - Deep NN)، وتُستخدَم عادةً في تطبيقات الرؤية الحاسوبية (Computer vision) وتحليل المشاهد المرئية؛ إذ تتميّز بوجود طبقة مخفية واحدة أو أكثر من شأنها استخراج السمات الموجودة في الصور أو مقاطع الفيديو، وطبقة كاملة الارتباط لإنتاج الخرج المطلوب، وهي تعتمد على تطبيق نظريات علم الأعصاب المرتبطة بآلية عمل الدماغ في تعرُّف الأغراض.
**التعيين الفعال لفئة التدرج المرجح Gradient-weighted Class Activation Mapping (Grad-CAM): هي تقنية إنتاج تفسيرات مرئية (visual explanations) تستخدم التدرجات اللونية (gradients) بهدف توضيح مناطق مهمة في الصورة، وتنتج خريطة موافقة تساعد على التنبؤ بمعنى المفاهيم المتضمنة في الصورة وتفسيرها.
وهي تهدف إلى جعل النماذج المستندة إلى الشبكة العصبية (CNN) أكثرَ شفافية عن طريق تصور مناطق المدخلات "المهمة" للتنبؤات من هذه النماذج (أو التفسيرات المرئية). إضافة إلى أنّ Grad-CAM لا تتطلب إعادة تدريب، وهي قابلة للتطبيق على نطاق واسع على أية بنية تستند إلى CNN.
المصادر:
1- هنا
2- هنا
3- هنا
4- هنا
5- هنا
6- هنا
