كلية تكنولوجيا المعلومات تناقش اطروحة دكتوراه بعنوان
نماذج التعلم العميق للتنبؤ بمرض السكري ومضاعفاته من مصادر متعددة للطالب حسين علي اسماعيل.

ناقشت كلية تكنولوجيا اطروحة دكتوراه بعنوان نماذج التعلم العميق للتنبؤ بمرض السكري ومضاعفاته من مصادر متعددة للطالب حسين علي اسماعيل.

حيث تضمنت الأطروحة ما يلي :

داء السكري هو اضطراب أيضي مزمن يصيب الملايين من الأفراد في جميع أنحاء العالم.

ويشكل هذا المرض، بمضاعفاته، خطرا صحيا كبيرا.
هناك العديد من النماذج الناجحة للتنبؤ بمرض السكري ومضاعفاته. علاوة على ذلك، لم يتعامل أي من هذه النماذج مع مصادر بيانات متعددة.
تقترح هذه الأطروحة نهجا جديدا للتعامل مع مصادر بيانات متعددة، والتي تشمل أنواع البيانات الجدولية، وتخطيط القلب، والصور بالاعتماد على نماذج التعلم العميق المقترحة للتنبؤ بمرض السكري ومضاعفاته (قرحة القدم السكرية، واعتلال الشبكية السكري).

      يعالج النهج المقترح كل نوع من البيانات باستخدام نموذج مخصص، حيث يحتوي كل نموذج على ثلاث مراحل رئيسية: مرحلة المعالجة المسبقة للبيانات، مرحلة استخراج الميزات ومرحلة التنبؤ. هناك أربعة نماذج مقترحة. النموذج الأول، المسمى جهاز التشفير التلقائي الكامل مع التنظيم والشبكة العصبية العميقة (CAER-DNN)، مصمم للتنبؤ بمرض السكري من خلال التعامل مع مصادر البيانات الجدولية. تتمثل المساهمة الرئيسية لهذا النموذج في استخدام تقنية غير خاضعة للرقابة لتجديد الميزات الأساسية التي تعمل كمدخل لمصنف DNN. أما النموذج الثاني، المسمى ECG-DNN، فهو مقترح للتعامل مع مصادر بيانات تخطيط القلب. هذا النموذج فريد من نوعه من خلال الاستفادة من الأدوات الإحصائية وتقنيات الشبكة العصبية التلافيفية لاستخراج ميزات مهمة من إشارة تقلب معدل ضربات القلب. أما النموذج الثالث المسمى (CNN_GLCMNet) فيتناول التنبؤ بقرحة القدم السكرية من خلال الاستفادة من مصادر بيانات الصورة. أصل هذا النموذج هو مزيج من قوة طريقة مصفوفة التكرار المشترك للمستوى الرمادي (GLCM) وشبكة CNN لاستخراج الميزات. بالإضافة إلى التنبؤ، يقوم هذا النموذج بتجميع حالة DFU إلى ثلاث مجموعات بناءً على خطورتها. النموذج الرابع، المسمى CLAHE_CNN، متخصص في التنبؤ باعتلال الشبكية السكري باستخدام مصدر بيانات الصورة. يستفيد هذا النموذج من معادلة الرسم البياني التكيفي المحدودة التباين (CLAHE) لتحسين تباين الصورة، إلى جانب CNN لاستخراج الميزات.

      وأخيرا، تم اقتراح النموذج مجمع لتجميع قرارات النماذج والحصول على القرار النهائي. تم تصميم هذا النموذج لأخذ مصادر بيانات متعددة في الاعتبار. لمعالجة البيانات الجدولية، يتم استخدام نموذج CAER-DNN ويحقق دقة تبلغ 98.90% و98.48% على مجموعات بيانات PID وMID، على التوالي. للتعامل مع بيانات مخطط كهربية القلب (ECG)، تم تطبيق نموذج ECG-DNN بدرجة دقة 99.88%. لمعالجة البيانات الصورية، تم استخدام نموذجين الاول GLCM-CNN للتنبؤ بـ DFU، حيث حقق النموذج GLCM-CNN دقة قدرها 97.43% . اما بالنسبة لعملية العنقدة للصور المصابة ب DFU حيث حقق معدل silhouette 0.429 للتجميع. بالنسبة للتنبؤ بـ DR، يحقق نموذج CLAHE_CNN دقة تبلغ 94.0%.