استخراج المكونات الرئيسية من صور ECG بناءً على التقسيم: إطار عمل للتصنيف الدقيق والتحول الرقمي

تحتوي السجلات الكهربائية للقلب (ECG) المادية والورقية على رؤى قيمة حول تاريخ وتعدد الأمراض القلبية الوعائية (CVDs). ويمكن أن يؤدي تطوير خوارزميات قادرة على تحويل هذه الصور إلى شكل رقمي وتصنيفها إلى تحسين كبير في فهمنا وعلاج الأمراض القلبية الوعائية، خصوصًا بين الفئات المهمشة والمحرومة من الخدمات الصحية. كجزء من تحدي جورج بي. مودي لشبكة فيزيونيت 2024، نقترح نهجًا يستند إلى التعلم العميق لتحويل صور سجلات ECG إلى شكل رقمي وتصنيفها. تعتمد منهجيتنا على نموذج تجزئة بالتعلم العميق لاستخراج المكونات الأساسية، والتي تُستخدم بعدها لتدريب نموذج تصنيف للكشف عن الأمراض القلبية الوعائية وتحويل الإشارة إلى شكل رقمي. وقد حقق فريقنا، BAPORLab، نسبة إشارة إلى ضجيج قدرها 5.493، محتلًا المركز الثاني في مهمة التحويل الرقمي. وفي مهمة التصنيف، بلغت قياسات F-متوسطة (macro F-measure) 0.730، محتلًا المركز الثالث.