مروری بر روش های ترکیب الگوریتم های CNN (شبکه عصبی پیچشی) و DNN (شبکه عصبی عمیق) جهت تشخیص بیماری قلبی

بیماری های قلبی یکی از اصلی ترین عوامل مرگ ومیر در سراسر جهان به شمار می روند. تشخیص زودهنگام و دقیق این بیماری ها می تواند تاثیر قابل توجهی بر بهبود کیفیت زندگی بیماران داشته باشد. پیشرفت های اخیر در حوزه هوش مصنوعی، به ویژه الگوریتم های یادگیری عمیق، افق های جدیدی برای تشخیص و پیش بینی بیماری های قلبی گشوده است. در این مقاله، به ترکیب دو الگوریتم CNN (شبکه های عصبی پیچشی) و DNN (شبکه های عصبی عمیق) برای تحلیل داده های چندمنظوره (تصویری و عددی) پرداخته شده است. نتایج مطالعات نشان می دهند که این ترکیب می تواند دقت تشخیص بیماری های قلبی را تا بیش از ۹۵٪ افزایش دهد، که در مقایسه با روش های سنتی یا الگوریتم های کلاسیک یادگیری ماشینی مانند SVM و Random Forest که دقتی در حدود ۸۰٪ تا ۹۰٪ دارند، بهبود قابل توجهی را نشان می دهد. همچنین، پیشنهاداتی خلاقانه برای ارتقای این روش ارائه شده است که شامل استفاده از مکانیزم توجه، ادغام داده های پوشیدنی و اینترنت اشیا (IoT) و بهره گیری از یادگیری انتقالی می باشد. این دستاوردها نویدبخش آینده ای روشن در تشخیص دقیق تر و سریع تر بیماری های قلبی هستند.