ترکیب شبکه های کانولوشنی و ترنسفورمرها برای طبقه بندی مقاوم بیماری های قلبی: یک مرور جامع

طبقه بندی بیماری های قلبی به دلیل پیچیدگی داده های پزشکی و تنوع علائم، یکی از چالش های مهم در حوزه هوش مصنوعی و یادگیری عمیق است. در سال های اخیر، شبکه های کانولوشنی (CNNها) به دلیل توانایی بالای خود در استخراج ویژگی های محلی از تصاویر پزشکی، به طور گسترده ای در این زمینه استفاده شده اند. با این حال، ظهور مدل های ترنسفورمر، که در پردازش توالی ها و درک روابط جهانی در داده ها برتری دارند، فرصت های جدیدی را برای بهبود دقت و مقاومت این سیستم ها فراهم کرده است. این مقاله به بررسی جامع رویکردهای ترکیبی مبتنی بر CNNها و ترنسفورمرها برای طبقه بندی بیماری های قلبی می پردازد. ما مطالعات اخیر را تحلیل کرده و نقاط قوت، ضعف و چالش های این روش ها را مورد بحث قرار می دهیم. همچنین، جهت گیری های آینده برای توسعه مدل های ترکیبی کارآمدتر و قابل اعتمادتر در تشخیص بیماری های قلبی پیشنهاد شده است. نتایج نشان می دهد که ترکیب این دو معماری می تواند به طور قابل توجهی عملکرد طبقه بندی را بهبود بخشد و راه را برای کاربردهای بالینی پیشرفته تر هموار کند.

کلیدواژه ها:

بیماری قلبی ، شبکه های عصبی ، ترنسفورمرها