Abstrakt

Künstliche Intelligenz und Nanotechnologie zur Diagnose von Herzerkrankungen

Scheich Abdul Hannan

Eine frühzeitige Erkennung ist für die wirksame Vorbeugung und Behandlung von Herzerkrankungen, die ein erhebliches Gesundheitsproblem darstellen, von entscheidender Bedeutung. Herkömmliche und nichtinvasive Methoden sind zeitaufwändig, unangenehm, kostspielig und für regelmäßige Untersuchungen oder Diagnosen ungeeignet. Es gibt zahlreiche nichtinvasive (NI) Ansätze zur Diagnose von CVD. Die durch NI-Methoden gewonnenen Daten liegen hauptsächlich in drei Formen vor: (i) Informationen, die aus klinischen Variablen, Labortests und Anzeichen und Symptomen abgeleitet werden (ii) Rohdaten des Herzkreislaufsystems (EKG und PCG); oder (iii) Herzbilder. Basierend auf den drei Datentypen können drei einzigartige ML-Frameworks (maschinelles Lernen) erstellt werden. Die Testergebnisse für nicht-koronare Herz-Kreislauf-Erkrankungen (keine angeborene Herzkrankheit) und myokardiale Herz-Kreislauf-Erkrankungen (angeborene Herzkrankheit) waren zu 80,1 % bzw. 76,9 % genau. SVM (Support Vector Machines) und künstliche neuronale Netzwerke (Artificial Neural Network) zeigten in den meisten Studien auf allen Plattformen bessere Ergebnisse. Tiefe neuronale Netzwerke sind eine relativ neue Technologie der künstlichen Intelligenz, die beeindruckende Ergebnisse bei der Kategorisierung von Herzgeräuschen und kardiovaskulären Bildern liefert. Die aktuelle Arbeit wird zur Automatisierung der Erkennung von Herz-Kreislauf-Erkrankungen beitragen, indem sie Empfehlungen und Möglichkeiten für neue Forscher auf dem Gebiet des maschinellen Lernens bietet.