Heart disease detection with trust-based authentication framework in Edge-cloud-IoMT using Adaptive Aggregation Multi-scale Fusion Network
تقترح هذه الورقة إطار عمل للمصادقة القائم على الثقة والمدمج مع شبكة دمج متعددة المقاييس ذات تجميع تكيفي (AAMF-Net) ضمن بنية حوسبة الحافة والسحابة وإنترنت الأشياء الطبية (Edge-cloud-IoMT) للكشف بفعالية عن أمراض القلب، محققةً دقة بلغت 96.37% من خلال معالجة قيود موارد الحافة عبر المعالجة المسبقة المتقدمة للبيانات، واختيار الميزات، ونموذج تعلم عميق هجين يجمع بين الانتباه الذاتي والدمج متعدد المقاييس.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
لا تزال أمراض القلب تُعد سبباً رئيسياً للوفاة في جميع أنحاء العالم، وغالباً ما يكون الكشف المبكر عنها هو الفارق بين الحياة والموت. لعقود من الزمن، اعتمد الأطباء على التاريخ المرضي والفحوصات البدنية لرصد علامات التحذير، لكن الحجم الهائل من البيانات التي تولدها الأجهزة الطبية الحديثة يفتح مساراً جديداً للمضي قدماً. وهنا يأتي دور "إنترنت الأشياء الطبية"، أو ما يعرف بـ (IoMT). تخيل شبكة من المستشعرات الذكية والأجهزة القابلة للارتداء التي تراقب قلب المريض باستمرار، وترسل تدفقاً مستمراً من المعلومات إلى نظام مركزي. لقد كان التحدي دائماً يكمل في كيفية معالجة هذا الفيض من البيانات بسرعة وأمان دون إثقال كاهل الأنظمة التي تخزنها. فغالباً ما تعاني الطرق التقليدية من التعامل مع الحجم الهائل للمعلومات أو تفشل في حماية سجلات المرضى الحساسة من الوصول غير المصرح به. علاوة على ذلك، فإن العديد من البرامج الحاسوبية الموجودة حالياً والتي تُستخدم لتحليل هذه البيانات إما أنها بطيئة جداً بحيث لا تكون مفيدة في حالات الطوارم، أو تفتقر إلى الدقة للتمييز بين القلب السليم والقلب الذي يعاني من مشكلات.
لقد طور فريق من الباحثين نظاماً جديداً صُمم لحل هذه المشكلات المحددة عبر الجمع بين ثلاث طبقات من التكنولوجيا: الأجهزة نفسها، وطبقة معالجة محلية تُسمى الحوسبة "الحافية" (Edge Computing)، وخادم سحابي مركزي. وفي عملهم الأخير، قدموا نموذجاً متطوراً جديداً يُسمى (AAMF-Net)، والذي يعمل كأخصائي تشخيص رقمي عالي التدريب. تم بناء النظام ليعمل ضمن بيئة آمنة حيث تكون بيانات المريض محمية بواسطة إطار عمل للتحقق من الهوية قائم على الثقة. فقبل تحليل أي بيانات طبية، يتحقق النظام من هوية الجهاز والمستخدم، مما يضمن دخول المعلومات المصرح بها فقط إلى الشبكة. تستخدم هذه الطبقة الأمنية عملية معقدة لتوليد مفاتيح رقمية فريدة، مما يؤدي فعلياً إلى قفل البيانات بحيث لا يمكن إلا للأنظمة الطبية المقصودة قراءتها. وبمجرد تأمين البيانات، تنتقل إلى قلب العملية: اكتشاف أمراض القلب.
لم يقم الباحثون ببساطة بتغذية أرقام خام في جهاز كمبيوتر؛ بل قاموا أولاً بتنقية البيانات، وإزالة الأخطاء وملء الأجزاء المفقودة لخلق صورة واضحة لصحة المريض. ثم قاموا بموازنة أهمية العوامل الصحية المختلفة، لضمان عدم هيمنة عرض واحد على التحليل. وللتعامل مع حقيقة أن السجلات الطبية غالباً ما تحتوي على أمثلة للقلوب السليمة أكثر من تلك المصابة بالأمراض، قام النظام بتوليد أمثلة اصطناعية إضافية وواقعية لأمراض القلب لتعليم النموذج ما يجب أن يبحث عنه. سمحت هذه التحضيرات لجوهر نظامهم، وهو (AAMF-Net)، بالتعلم بفعالية. هذا النموذج هو مزيج من تقنيتين متقدمتين؛ حيث يركز جزء منه على فهم الأنماط العميقة وطويلة الأمد في البيانات، بينما يولي الجزء الآخر اهتماماً وثيقاً بالتفاصيل الدقيقة والحواف في المعلومات، تماماً كما قد ينظر الخبير البشري إلى كل من الصورة الكبيرة والأعراض المحددة. ومن خلال دمج هذين المنظورين، يخلق النظام رؤية شاملة لحالة المريض.
وعندما اختبر الباحثون هذا النهج الجديد، كانت النتال مذهلة. فقد قارنوا نظامهم بعدة طرق راسخة أخرى باستخدام مجموعات بيانات طبية واقعية تحتوي على آلاف السجلات للمرضى. أثبت النموذج الجديد أنه أكثر دقة وموثوقية من التقنيات السابقة. وفي اختباراتهم، حدد النظام حالات أمراض القلب بدقة بلغت 96.37%، ونجح في اكتشاف وجود المرض في 97.13% من الحالات التي كان المرض موجوداً فيها بالفعل. تمثل هذه الأرقام تحسناً كبيراً عن النماذج القديمة، التي كانت تعاني غالباً من البيانات المشوشة أو تفشل في رصد العلامات الدقيقة للمرض. كما استخدم الباحثون أدوات إحصائية للتأكد من أن هذه النتيات لم تكن مجرد تخمين محظوظ، بل أداءً ثابتاً. استطاع النظام شرح قراراته من خلال تسليط الضوء على العوامل الصحية المحددة، مثل العمر أو مستويات الكوليسترول، والتي كانت الأكثر أهمية في تشخيصه، مما يجعله أداة موثوقة للمتخصصين الطبيين.
تُظهر الدراسة أنه من خلال تأمين البيانات بعناية واستخدام نهج ذي طبقتين لتحليلها، من الممكن بناء نظام يتسم بالسرعة والدقة الفائقة في آن واحد. لقد قام الباحثون بمحاكاة العملية بأكملاء، بدءاً من اللحظة التي يجمع فيها الجهاز البيانات وصولاً إلى التشخيص النهائي، مما أظهر أن هذه الطريقة تعمل جيداً حتى عندما تكون البيانات غير مثالية أو غير مكتملة. ورغم أن هذا العمل هو حالياً عبارة عن محاكاة وليس تجربة سريرية في مستشفى بعد، إلا أن النتائج تشير إلى مسار واضح لكيفية مساعدة التكنولوجيا للأطباء في إنقاذ الأرواح. إن هذا النظام لا يحل محل الطبيب البشري، بل يقدم مساعداً قوياً وآمناً وعالي الدقة يمكنه المساعدة في تحديد أمراض القلب في وقت مبكر أكثر من أي وقت مضى.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.