تحليل بيانات طبية وبناء نموذج تشخيصي لأمراض القلب بتقنيات التعلم العميق

مشروع متكامل يهدف إلى تطوير نظام يعتمد على التعلم العميق للتنبؤ وتشخيص أمراض القلب. يشمل المشروع تحليل مجموعة بيانات طبية، بناء وتدريب نموذج شبكة عصبية، وتقييم أدائه، بالإضافة إلى إنشاء واجهة برمجية (API) باستخدام Flask لتسهيل استخدام النموذج في تطبيقات أخرى.

أبرز ما قمت به والتقنيات المستخدمة:

معالجة وتحليل البيانات:

تحميل وتنظيف مجموعة بيانات طبية لأمراض القلب (Kaggle Dataset) باستخدام Pandas و NumPy.

التعامل مع القيم المفقودة وحذف الأعمدة غير الضرورية.

التحقق من القيم غير المنطقية ومعالجتها.

إجراء تحليل استكشافي للبيانات (EDA) لفهم العلاقات بين السمات الطبية وتشخيص المرض، مع تمثيل مرئي للنتائج باستخدام Matplotlib و Seaborn (مثل توزيع العمر، العلاقة بين ضغط الدم والكوليسترول، إلخ).

بناء وتدريب نموذج التعلم العميق (Deep Learning Model Development):

تقسيم البيانات إلى مجموعات تدريب واختبار، مع تقييس البيانات باستخدام StandardScaler (scikit-learn).

تصميم وبناء نموذج شبكة عصبية (Neural Network) باستخدام Keras (TensorFlow)، يتضمن طبقات متعددة (Dense layers)، دوال تنشيط (ReLU, Sigmoid)، وتقنيات لتقليل الإفراط في التكيف (Dropout, L2 regularization).

تدريب النموذج باستخدام دالة خسارة مناسبة للتصنيف الثنائي (binary_crossentropy) ومحسن (optimizer) مثل Adam.

تطبيق تقنية الإيقاف المبكر (EarlyStopping) لتحسين كفاءة التدريب.

تقييم النموذج (Model Evaluation):

تقييم أداء النموذج على بيانات الاختبار باستخدام مقاييس متعددة مثل الدقة (Accuracy)، الدقة الإيجابية (Precision)، الاستدعاء (Recall)، و F1-Score.

رسم منحنيات الدقة والخسارة لمراقبة أداء النموذج أثناء التدريب.

تطوير واجهة برمجية (API Development):

إنشاء واجهة برمجية (API) باستخدام إطار العمل Flask (Python).

تطوير نقطة نهاية (endpoint) /predict لاستقبال بيانات مريض جديدة بصيغة JSON، معالجتها، ثم استخدام النموذج المدرب للتنبؤ بحالة مرض القلب.

إرجاع نتيجة التشخيص بصيغة JSON..