ريزنت دوالي بايزيان: نهج تعليم عميق للكشف عن الصوت القلبي

تقدم هذه الدراسة مساهمة فريقنا PathToMyHeart في تحدي George B. Moody لمنصة PhysioNet 2022. تم تنفيذ نموذجين. النموذج الأول هو نموذج Dual Bayesian ResNet (DBRes)، حيث يتم تقسيم تسجيل كل مريض إلى مخططات طيفية لوم-ميل المتشابكة (overlapping log mel spectrograms). ثم تخضع هذه المخططات لتصنيفين ثنائيين: وجود مقابل عدم وجود أو مجهول، ومجهول مقابل وجود أو عدم وجود. تُجمَع هذه التصنيفات لتحديد التصنيف النهائي للمريض. أما النموذج الثاني، فهو نتيجة دمج مخرجات DBRes مع بيانات ديموغرافية وسمات إشارة باستخدام خوارزمية XGBoost. حقق DBRes أفضل دقة موزونة قدرها $0.771$ على مجموعة الاختبار المخفية لتصنيف الزئير، مما وضعنا في المرتبة الرابعة في مهمة تصنيف الزئير. (أما في مهمة النتيجة السريرية، التي تجاهلناها، فقد حصلنا على المرتبة 17 بتكاليف بلغت $12637$.) وعلى مجموعة التدريب المحفوظة لدينا، أدى دمج البيانات الديموغرافية وسمات الإشارة إلى تحسين دقة DBRes من $0.762$ إلى $0.820$. ومع ذلك، فإن هذا التحسين أدى إلى تراجع الدقة الموزونة لـ DBRes من $0.780$ إلى $0.749$. تُظهر نتائجنا أن مخططات لوم-ميل الطيفية تمثل تمثيلاً فعّالاً للتسجيلات الصوتية القلبية، وأن الشبكات البايزية توفر أداءً قوياً في التصنيف المراقب، كما أن معالجة التصنيف الثلاثي كمهمتين ثنائيتين يُحسّن الأداء من حيث الدقة الموزونة.