Pronóstico del riesgo de enfermedad cardíaca basado en el modelo de Swin Transformer de aprendizaje profundo y...

Área de la Ciencia:

• Cardiología
• Inteligencia artificial
• Aprendizaje automático

Sus antecedentes:

• Las enfermedades del corazón son un problema de salud mundial importante, que requiere herramientas de diagnóstico avanzadas.
• La predicción temprana de la enfermedad cardíaca es crucial para una intervención efectiva y mejores resultados para los pacientes.

Objetivo del estudio:

• Desarrollar y evaluar un nuevo modelo de aprendizaje profundo para una evaluación precisa del riesgo de enfermedad cardíaca.
• Mejorar la interpretabilidad de los modelos de IA en la predicción del riesgo cardiovascular.

Principales métodos:

• Se desarrolló un modelo de transformador Swin mejorado por convolución a escala múltiple (MSCST).
• El modelo utiliza redes convolucionales de múltiples ramas con atención al canal para la extracción de características.
• Los módulos de Swin Transformer integran información global y local a través de la autoatención, con análisis SHAP para la interpretabilidad.

Principales resultados:

• El modelo MSCST logró una precisión del 89,42% y un AUC de 0,8908 en el conjunto de datos de la enfermedad cardíaca de Cleveland.
• El rendimiento superó el aprendizaje automático tradicional y los enfoques de aprendizaje profundo existentes para la predicción de enfermedades cardíacas.

Conclusiones:

• El modelo MSCST demuestra un potencial significativo para una evaluación precisa e interpretable del riesgo de enfermedad cardíaca.
• Este enfoque impulsado por la IA ofrece un avance prometedor en la detección temprana de enfermedades cardiovasculares.