صادق سلیمانی

بیماری‌های قلبی یکی از مهم‌ترین و چالشی‌ترین بیماری‌های حال حاضر در جهان است که هر ساله نرخ بالایی از ابتلا و مرگ‌ومیر را به خود اختصاص می‌دهد. با درنظر گرفتن پیشرفت‌ها در حوزه تشخیص بیماری‌های قلبی از حیث فناوری و پزشکی اما همچنان این بیماری آمار زیادی از مرگ‌ومیر را دارد و یک معضل جهانی است. ظهور تکنیک‌های مبتنی بر یادگیری ماشین و یادگیری عمیق برای داده‌های حاوی اطلاعات آزمایشگاهی و پزشکی به بهبود تشخیص بیماری‌های قلبی کمک شایانی کرده‌اند اما استفاده از هریک از این روش‌ها نیز می‌تواند چالش‌های خاص خود را داشته باشد. در این پژوهش برای مجموعه داده ای که دارای ویژگی‌هایی حاوی اطلاعات آزمایشگاهی و بالینی و همچنین ویژگی‌های دموگرافیک است، از یک روش نوآورانه مبتنی بر گراف بهبود یافته استفاده می‌شود و تاثیر استفاده از این روش برای بهبود در دقت تشخیص بیماری‌های قلبی بررسی می‌گردد. بعد از انجام مراحل پیش‌پردازش، متوازن‌سازی داده و حذف داده‌های نویزی با استفاده از تکنیک SMOTE-ENN مجموعه داده به گراف مشابهت تبدیل شده و بعد از اعمال نوعی خاص از پیش‌بینی پیوند یعنی پیش‌بینی پیوند ترکیبی با استفاده از توابع امتیاز مختلف مانند Common neighbors و Preferential attachment و درنظر گرفتن تعداد یال‌های مختلف برای اعمال این نوع پیش‌بینی پیوند، گراف بهبودیافته حاصل می‌شود. استخراج ویژگی‌های گرافی از گراف بهبودیافته نیز به بهبود نتایج کمک بسزایی خواهد کرد. در ادامه نیز سعی شده است با استفاده از یک روش مطمئن برای اعتبارسنجی یعنی K-fold Cross validation و به‌کارگیری انواع معیارهای ارزیابی مانند Accuracy, Precision, Recall, F1-Score, AUC با اطمینان مدل را ارزیابی کرده و برای هر معیار ارزیابی به طور جداگانه نتایج خوبی به‌دست آید. استفاده از این نوع روش مبتنی بر گراف علاوه براین‌که می‌تواند به بهبود قابل توجهی در تشخیص بیماری‌های قلبی منجر شود، با توجه به استفاده از آن برای‌ داده‌های جدولی در این پژوهش موجب کاهش هزینه‌ها در حوزه سلامت و پزشکی نیز خواهد شد تا در نهایت به بهبود و درمان بیماران قلبی کمک کند. در نهایت، نتایج Accuracy= 97.13 ، Precision= 98.61 ، Recall= 97.10 ، F1-Score= 97.09 و AUC= 99.06 برای پیاده‌سازی انجام شده بهترین خروجی‌های هریک از معیارهای ارزیابی به‌صورت جداگانه می‌باشد. با دستیابی به این نتایج، عملکرد بهتری به نسبت پژوهش‌های قبلی به دست ‌می‌آید و این دستاورد تاثیر مثبت روش نوآورانه مبتنی بر گراف بهبود یافته را نشان می‌دهد. برای کارهای آینده نیز می‌توان به انجام خوشه‌بندی بر روی گراف مشابهت در کنار کار طبقه‌بندی، استفاده از روش‌های مبتنی بر یادگیری عمیق مانند شبکه‌های عصبی گراف برای یادگیری بازنمایی و به‌کارگیری توضیح پذیری هوش مصنوعی اشاره کرد.