تعلم التباين المشروط المتقدم لتحسين تشخيص اضطرابات القلب النادرة!

في عالم تشخيص اضطرابات القلب، نجد أن التقنيات الحديثة تسهم في تحسين الأداء بشكل كبير، خاصة عندما يتعلق الأمر بتشخيص الحالات النادرة التي تتسم بوجود فئات غير متوازنة. بينما كانت الطرق التقليدية تهتم بتوازن الفئات في البيانات عبر تصحيح التكرار، برزت تقنية جديدة تُعرف بـ "تعلم التباين المشروط المتقدم الزاوي" (Angular Gaussian Supervised Contrastive Learning – AG-SCL).

يرتكز نموذج AG-SCL على دمج ثلاثة مكونات رئيسية ضمن إطار عمل موحد: أولاً، فرع تبايني زاوي Gaussian الذي يقوم بنمذجة عدم اليقين الكامل للفئات عبر تمثيلات متوازنة. ثانياً، "تصحيح اللوجيت التكيفي" (Adaptive Logit Adjustment) الذي يتعلم تصحيحات تعتمد على حالات محددة بدلاً من هوامش ثابتة تُعتمد فقط على تكرار الفئة. ثالثاً، زيادة الوعي بالمؤخرة (tail-aware augmentation) التي تولد رؤى تحافظ على الشكل بينما تحمي النطاق المحدد 7-25 هيرتز.

تم تقييم فعالية AG-SCL على مجموعة بيانات عامة معروفة تُدعى PTB-XL، فضلاً عن مجموعة بيانات ليلية تضم 1317 ساعة من التسجيلات من 141 موضوعًا. حقق النموذج الأداء الأفضل على المستويين الكلي والمعدل، حاصلاً على دقة متوازنة تبلغ 0.838، وحساسية 0.709، ونوعية 0.968، ومتوسط دقة 0.495 على PTB-XL. أما على مجموعة بيانات Noc-ECG، فقد تم تسجيل قيم مذهلة بلغت 0.918، 0.889، 0.947، 0.488، و0.900 على التوالي.

توفر النتائج المميزة لـ AG-SCL دليلًا واضحًا على تحسين دقة التشخيص عندما يتعلق الأمر بالاضطرابات النادرة، مما يعزز من قدرات الأطباء في التعرف على الأنماط غير المستقرة. الاطلاع على الكود المتعلق بهذه الدراسة متاح عبر الرابط: رابط الكود. ما رأيكم في هذا التطور في مجال تشخيص القلب؟ شاركونا آرائكم في التعليقات!