Stroke Diagnosis System Using Artificial Intelligence

مشروع متكامل يعتمد على الذكاء الاصطناعي وتحليل البيانات الطبية للمساعدة في تشخيص السكتات الدماغية بشكل أسرع وأكثر دقة من خلال دمج تحليل البيانات الصحية للمريض مع تحليل صور الأشعة الطبية داخل منصة موحدة تدعم اتخاذ القرار الطبي.

تم تصميم النظام لمساعدة الأطباء في تقييم احتمالية الإصابة بالسكتة الدماغية وتحديد نوعها مع تقديم تفسير واضح للنتائج بدلاً من إعطاء تنبؤات غير قابلة للتفسير.

الفكرة الرئيسية:

يعتمد النظام على مسارين متوازيين للتحليل:

تحليل البيانات الطبية للمريض:

يقوم النظام بتحليل البيانات الصحية الأساسية مثل العمر، ومؤشر كتلة الجسم، ومستوى الجلوكوز، وضغط الدم، وأمراض القلب، والتدخين وغيرها من العوامل الطبية المهمة.

تم تطوير نموذج تعلم آلي باستخدام CatBoost لتقدير احتمالية الإصابة بالسكتة الدماغية مع توضيح العوامل الأكثر تأثيرًا على القرار النهائي.

تحليل صور الأشعة المقطعية (CT Scan):

تم بناء نموذج رؤية حاسوبية باستخدام EfficientNet-B0 لتحليل صور الأشعة المقطعية للمخ وتصنيفها إلى:

* حالة طبيعية

* سكتة دماغية إقفارية (Ischemic Stroke)

* سكتة دماغية نزفية (Hemorrhagic Stroke)

كما تم استخدام تقنيات Explainable AI لعرض المناطق المؤثرة داخل الصورة الطبية وإظهار أسباب القرار بشكل مرئي للطبيب.

محرك اتخاذ القرار الذكي:

تم تطوير طبقة دمج ذكية تجمع نتائج تحليل البيانات الطبية مع نتائج تحليل الأشعة للوصول إلى قرار نهائي أكثر دقة.

كما تم تضمين قواعد طبية حرجة داخل النظام، مثل منع اقتراح استخدام أدوية إذابة الجلطات في حالات النزيف الدماغي، مما يضيف طبقة إضافية من الأمان والدعم السريري.

الذكاء التفسيري (Explainable AI):

أحد أهم أجزاء المشروع كان التركيز على تفسير القرارات الطبية من خلال:

* استخدام SHAP لتوضيح تأثير كل عامل صحي على التنبؤ النهائي.

* استخدام Grad-CAM لتحديد المناطق المؤثرة داخل صور الأشعة.

* عرض أهم العوامل التي أدت إلى اتخاذ القرار الطبي مع نسب تأثير واضحة.

لوحة متابعة وتحليل البيانات:

تم تطوير لوحة تحكم تفاعلية باستخدام Power BI لعرض:

* معدلات الإصابة.

* توزيع أنواع السكتات الدماغية.

* مؤشرات الأداء.

* إحصائيات المستشفى.

* الاتجاهات الزمنية للحالات.

البنية البرمجية:

تم بناء النظام باستخدام Django REST Framework مع PostgreSQL وتطوير أكثر من 29 واجهة برمجية (API) لدعم التكامل مع الأنظمة الطبية المختلفة.

كما تم تصميم النظام ليكون قابلًا للتطوير مع إمكانية إعادة تدريب النماذج تلقائيًا عند توفر بيانات جديدة لتحسين الأداء بمرور الوقت.

النتائج:

* دقة 89% في تصنيف صور الأشعة المقطعية.

* دقة 73% في التنبؤ اعتمادًا على البيانات الطبية.

* تقديم تفسير كامل للقرارات الطبية باستخدام Explainable AI.

* دمج الرؤية الحاسوبية وتحليل البيانات الطبية داخل نظام واحد متكامل.

* توفير منصة قابلة للتوسع لدعم اتخاذ القرار الطبي وتحليل البيانات الصحية.

يُعد المشروع نموذجًا عمليًا لتطبيق الذكاء الاصطناعي في القطاع الصحي، حيث يجمع بين Machine Learning وComputer Vision وBig Data Analytics وExplainable AI لبناء نظام يساعد الأطباء على اتخاذ قرارات أسرع وأكثر دقة.