تشخیص سندرم تاکوتسوبو با انتخاب ویژگی قوی از فضای پنهان پیچیده شبکه تقسیم بندی مبتنی بر یادگیری ماشین

تشخیص دقیق و زودهنگام سندرم تاکوتسوبو (TTS) معروف به سندرم قلب شکسته، به دلیل شباهت علائم آن به حمله قلبی و پیچیدگی های تشخیص از اهمیت بالایی در پزشکی برخوردار است. این سندرم که اغلب در پی استرس های عاطفی یا فیزیکی رخ می دهد نیازمند روش های پیشرفته برای شناسایی و تمایز از سایر بیماری های قلبی است تا از عوارض جدی جلوگیری شود. پژوهش حاضر با هدف بهبود تشخیص TTS از طریق انتخاب ویژگی های قوی از فضای پنهان داده های پیچیده با استفاده از شبکه های تقسیم بندی مبتنی بر یادگیری ماشین انجام شد. در این مطالعه توصیفی تحلیلی داده های اکوکاردیوگرافی شامل ۳۰۰ نمونه (۱۴۰ بیمار TTS و ۱۶۰ بیمار STEMI) از پایگاه داده Kaggle جمع آوری و به نسبت ۷۰% آموزشی و ۳۰% آزمایشی تقسیم شد. پس از پیش پردازش داده ها پاکسازی، نرمال سازی و تقویت داده، ویژگی های دموگرافیک، بالینی و تصویر برداری با تکنیک هایی مانند تحلیل مولفه های اصلی و انتخاب ویژگی مبتنی بر درخت تصمیم استخراج شدند. مدل های یادگیری ماشین شامل شبکه عصبی عمیق (DNN)، شبکه کانولوشنی عمیق (DCNN)، ماشین بردار پشتیبان (SVM) و جنگل تصادفی (RF) با اعتبار سنجی متقابل ۵ برابری ارزیابی شدند. مدل DCNN با معماری سبک (۶۵۰ پارامتر) و ترکیب لایه های کانولوشنی، Dropout و متراکم طراحی شد. نتایج نشان داد که مدل DCNN با دقت ۹۴.۳۲، یادآوری ۹۴.۵۶، حساسیت ۹۳.۸۷ و امتیاز F۱ برابر ۹۴.۱۲ بهترین عملکرد را داشت و با پایداری بالا (انحراف معیار ۰.۷۱-۰.۸۵) و افت کم (۰.۰۶۱) از سایر مدل ها (RF: ۸۷.۱۹%, SVM: ۸۵.۶۷%, DNN: ۸۲.۴۵%) پیشی گرفت. این مدل با ترکیب داده های اکوکاردیوگرافی و بالینی تشخیص دقیق و زودهنگام TTS را فراهم کرد و گامی موثر در بهبود مراقبت های پزشکی است.

کلیدواژه ها:

سندرم تاکوتسوبو ، یادگیری ماشین ، شبکه کانولوشنی عمیق ، اکوکاردیوگرافی ، تشخیص بیماری قلبی