💻 computer science

One Dimensional CNN ECG Mamba for Multilabel Abnormality Classification in 12 Lead ECG

تقدم هذه الورقة إطار عمل هجين من نوع (One Dimensional CNN ECG Mamba) يجمع بين استخراج الميزات التلافيفية ونموذج فضاء الحالة ثنائي الاتجاه (Mamba) لتحقيق أداء فائق في تصنيف الاعتلالات متعددة الملصقات في تخطيط كهربية القلب بـ 12 مسرى مقارنة بطرق التعلم العميق الحالية.

المؤلفون الأصليون: Huawei Jiang, Husna Mutahira, Gan Huang, Mannan Saeed Muhammad

نُشر 2026-03-27

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Huawei Jiang, Husna Mutahira, Gan Huang, Mannan Saeed Muhammad

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://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

تخيل أن قلبك عبارة عن أوركسترا تعزف ببراعة، وأن تخطيط القلب (ECG) هو النوتة الموسيقية التي تسجل كيف تعزف جميع الآلات (الإشارات الكهربائية للقلب) معاً. يحتاج الأطباء إلى قراءة هذه النوتة الموسيقية لاكتشاف ما إذا كان أحد العازفين يعزف خارج الإيقط (خلل في القلب).

لفترة طويلة، حاولت الحواسيب قراءة هذه الموسيقى باستخدام أداتين رئيسيتين:

"المترصد" (CNNs): بارع في النظر إلى التفاصيل الصغيرة والمحلية، مثل نوتة واحدة.
"قارئ السياق" (Transformers): بارع في فهم الأغنية بأكملها، لكنه يصاب بالارتباك ويصبح بطيئاً إذا كانت الأغنية طويلة جداً.

المشكلة؟ تسجيلات القلب هي أغانٍ طويلة ومعقدة. والأدوات القديمة إما كانت تفقد الصورة الكبيرة أو تصبح بطيئة لدرجة تجعلها غير مفيدة في مستشفى حقيقي.

مرحباً بالبطل الجديد: 1DCNN-ECG-Mamba

يقدم هذا البحث نموذج ذكاء اصطناعي جديد يسمى 1DCNN-ECG-Mamba. فكر فيه كأنه قائد أوركسترا فائق الذكاء وسريع للغاية، يمتلك خدعة خاصة في جعبته.

إليك كيف يعمل، مقسماً إلى أجزاء بسيطة:

1. "الإحماء" (The 1D CNN)

قبل أن يبدأ القائد في الاستماع إلى السيمفونية بأكملها، يحتاج إلى ضبط الآلات. يبدأ النموذج بـ شبكة عصبية تلافيفية أحادية الأبعاد (1D CNN).

التشبيه: تخيل مسحاً سريعاً للنوتة الموسيقية لتسليط الضوء على النوتات الأكثر أهمية وتجاهل ضوضاء الخلفية. إنه يشبه كشاف الضوء الذي يجد "العازفين المنفردين" (الميزات الرئيسية) في البيانات الفوضوية فوراً.

2. "مامبا" (The Selective State Space)

هذا هو الجزء السحري. يستخدم النموذج شيئاً يسمى Mamba، وهو نوع جديد من بنيات الذكاء الاصطناعي.

الطريقة القديمة (Transformers): تخيل أنك تحاول تذكر قصة مدتها 10 دقائق من خلال قراءة كل كلمة ومقارنتها بكل كلمة أخرى في القصة. الأمر يشبه محاولة إجراء محادثة مع الجميع في ملعب رياضي في وقت واحد. إنه أمر قوي ولكنه مرهق وبطيء.
طريقة مامبا (Mamba): تخيل أميناً ذكياً للمكتبة لا يقرأ كل كتاب على الرف. بدلاً من ذلك، لديه ذاكرة سحرية تعرف بالضبط أي الكتب ذات الصلة بسؤالك الحالي وتنظر إلى تلك الكتب فقط. يمكنه معالجة قصة مدتها 10 دقائق في الوقت الذي يستغرقه قراءة فقرة واحدة، دون أن ينسى البداية.
لماذا يهم هذا؟: صُمم "مامبا" للتعامل مع التسلسلات الطويلة (مثل نبضات القلب الطويلة) بكفاءة. إنه يتذكر بداية نبضة القلب أثناء الاستماع إلى نهايتها، دون أن يتعب.

3. "الطريق ذو الاتجاهين" (Bidirectional Vision Mamba)

أخذ الباحثون نموذجاً صُمم في الأصل للصور (Vision Mamba) وقاموا بتكييفه ليعمل مع إشارات القلب.

اللمسة المبتكرة: معظم النماذج تقرأ القصة من اليسار إلى اليمين (للأمام). لكن إشارات القلب تحتوي على أدلة خفية تصبح أكثر منطقية إذا نظرت إليها من اليمين إلى اليسار (للخلف) أيضاً.
التشبيه: الأمر يشبه قراءة رواية غموض. إذا قرأت فقط من الصفحة 1 إلى 100، فقد تفوتك إشارة مخفية في الصفحة 90 تفسر ما حدث في الصفحة 10. هذا النموذج يقرأ القصة للأمام وللخلف في آن واحد، مما يضمن التقاط كل دليل، بغض النظر عن مكانه في الجدول الزمني.

السباق الكبير: كيف كان الأداء؟

اختبر المؤلفون هذا "القائد" الجديد ضد أفضل الأبطال السابقين في مسابقتين دوليتين كبيرتين (PhysioNet Challenges 2020 و 2021).

الخصوم: واجهوا عمالقة مثل ResNet (الموثوق القديم)، و Transformers (صاحب الذاكرة الكبيرة)، وحتى نسخة سابقة من Mamba تسمى ECG-Mamba.
النتيجة: لم يكتفِ 1DCNN-ECG-Mamba الجديد بالفوز فحسب؛ بل سحق المنافسة.
- وجد المزيد من اضطرابات القلب (درجة AUPRC أعلى).
- كان أكثر دقة في قول "نعم، هناك مشكلة" أو "لا، هذا جيد" (درجة AUROC أعلى).

فكر في الأمر بهذه الطريقة: إذا كانت النماذج القديمة تشبه محققاً يجد 50% من الأدلة، فإن هذا النموذج الجديد يجد 64% من الأدلة ويفعل ذلك بشكل أسرع.

لماذا يجب أن تهتم؟

هذا ليس مجرد سباق لتحقيق نقاط على لوحة النتائج.

تشخيص أسرع: لأن "مامبا" فعال للغاية، يمكنه تحليل إشارات القلب بسرعة، حتى على أجهزة الكمبيوتر الصغيرة.
الطب عن بُ بُعد: تخيل جهازاً قابلاً للارتداء في قرية نائية يمكنه تحليل قلب مريض فوراً وإخبار الطبيب في مستشفى المدينة بما يعاني منه المريض بالضبط، دون الحاجة إلى كمبيوتر خارق.
إنقاذ الأرواح: من خلال اكتشاف الاختلالات الدقيقة التي قد تفوتها النماذج الأقدم، يمكن لهذه التكنولوجيا المساعدة في تشخيص مشاكل القلب في وقت مبكر، مما يؤدي إلى علاج أفضل وإنقاذ المزيد من الأرواح.

باختاً مختصراً: قام الباحثون ببناء ذكاء اصطناعي جديد يجمع بين "كشاف ضوء" سريع للتفاصيل وذاكرة "أمين مكتبة ذكي" للقصص الطويلة، حيث يقرأ إشارات القلب في كلا الاتجاهين ليجد المشكلات بسرعة ودقة أكبر من أي وقت مضى.

إليك ملخص تقني مفصل لورقة البحث: "1DCNN-ECG-Mamba لتصنيف التسمم متعدد الملصقات في تخطيط القلب ذي الـ 12 مسرى".

1. بيان المشكلة

يعد الكشف الدقيق عن الاعتلالات القلبية من تسجيلات تخطيط كهربائية القلب (ECG) المكونة من 12 مسرى أمراً بالغ الأهمية للتشخيص السريري. ومع ذلك، تواجه أساليب التعلم العميق الحالية تحديات كبيرة:

الاعتمادات التسلسلية الطويلة: إشارات تخطيط القلب هي بيانات سلاسل زمنية طويلة. وتواجه الشبكات العصبية التلافيفية (CNNs) التقليدية صعوبة في التقاط الاعتمادات طويلة المدى، بينما تعاني بنيات "المحول" (Transformer) من تعقيد حسابي تربيعي ( $O(n^2)$ ) عند معالجة هذه التسلسلات الطويلة.
عدم توازن الفئات: غالباً ما تعاني مجموعات البيانات الطبية من عدم توازن شديد في الفئات، مما يجعل من الصعب على النماذج اكتشاف الاعتلالات النادرة ولكن الحرجة.
حدود الأداء: وصلت الأساليب المتطورة من تحديات PhysioNet/CinC (2020 و2021)، مثل النماذج القائمة على ResNet، إلى مستويات الثبات (plateaus) من حيث المساحة تحت منحنى الدقة والاستدعاء (AUPRC) والمساحة تحت منحنى خصائص تشغيل المستقبِل (AUROC).

2. المنهجية: 1DCNN-ECG-Mamba

يقترح المؤلفون إطار عمل هجين يسمى 1DCNN-ECG-Mamba، والذي يدمج الشبكات العصبية التلافيفية أحادية الأبعاد (1D CNN) مع Mamba، وهو نموذج حالة فضاء انتقائي (SSM). البنية هي تعديل لنموذج Vision Mamba (Vim)، المصمم أصلاً للبيانات المرئية، وتم تطويعه خصيصاً لإشارات تخطيط القلب ذات الـ 12 مسرى.

المكونات الهيكلية الرئيسية:

استخراج الميزات باستخدام 1D CNN:
- يتم تطبيق طبقة تلافيفية أحادية الأبعاد واحدة عند المدخل لمعالجة إشارات تخطيط القلب الخام (12 قناة $\times$ $N$ عينة زمنية).
- التكوين: حجم المدخل 12، حجم المخرج 384، حجم النواة (Kernel size) 16، والخطوة (Stride) 8.
- تقوم هذه الطبقة بتحويل بيانات تخطيط القلب متعددة القنوات إلى خريطة ميزات متوافقة مع مشفر Mamba.
تضمين الرقعة والترميز (Patch Embedding & Tokenization):
- يتم تقسيم مخرجات الـ CNN إلى رقع (patches) بشكل $(1023, 384)$ .
- يتم إلحاق رمز الفئة (Class Token)، مما ينتج طول تسلسل قدره 1024.
- تُضاف تضمينات الموضع (Positional embeddings) للحفاظ على الترتيب الزمني.
مشفر Vision Mamba ثنائي الاتجاه (Bidirectional Vim):
- يستخدم النموذج الجوهري 16 كتلة Vim متراكمة.
- المعالجة ثنائية الاتجاه: على عكس نماذج SSM أحادية الاتجاه القياسية، يعالج هذا النموذج التسلسل في كلا الاتجاهين (الأمامي والخلفي) لالتقاط الاعتمادات الزمنية العالمية بفعالية.
- فضاء الحالة الانتقائي: يستخدم آلية Mamba للحفاظ على تعقيد حسابي خطي ( $O(n)$ ) مع الاحتفاظ بمجال استقبال عالمي، مما يعالج مشكلات الكفاءة التي تعاني منها نماذج الـ Transformer.
تعديلات محددة لتخطيط القلب (ECG):
- تم تعطيل التسرب العشوائي (Stochastic Dropout) لتحسين الاستقرار.
- الإضافة المتبقية (Residual Addition): يتم الحفاظ على مخرجات المسارين الأمامي والخلفي كما هي بدلاً من قسمتها على اثنين.
- التطبيع (Normalization): تم تعطيل عملية دمج الإضافة المتبقية والتطبيع؛ حيث يُستخدم تطبيق PyTorch التسلسلي القياسي (إضافة المتبقي $\leftarrow$ التطبيع) لضمان إمكانية إعادة الإنتاج عبر الأجهزة المختلفة.
- جدولة معدل التعلم: يستخدم مرحلة إحماء (5 حقبات/epochs) تليها عملية التخميد الجيبي (cosine annealing) على مدار 13 حقبة.

معالجة البيانات:

إعادة أخذ العينات (Resampling): يتم تطبيع جميع الإشارات إلى 500 هرتز (عن طريق خفض العينات من 1000 هرتز عبر مرشح polyphase؛ ورفع العينات من 257 هرتز عبر FFT).
تطبيع الطول: يتم قص الإشارات أو حشوها بالأصفار لتصل إلى طول ثابت قدره 8192 عينة.

3. المساهمات الرئيسية

بنية مبتكرة: تقديم 1DCNN-ECG-Mamba، وهو أول نموذج يكيف بنية Vision Mamba ثنائية الاتجاه خصيصاً لتصنيف تعدد الملصقات لتخطيط القلب ذي الـ 12 مسرى.
قياس الأداء: يضع النموذج معياراً جديداً للأداء المتفوق (state-of-the-art)، حيث يتفوق بشكل كبير على الحلول الفائزة السابقة من تحديات PhysioNet/CinC (2020 و2021).
التحقق من البنية: يثبت أن تعديل بنية Vim (على سبيل المثال، استخدام كتل ثنائية الاتجاه واستراتيجيات تطبيع محددة) يعطي نتائج متفوقة لبيانات تخطيط القلب مقارنة بنماذج ECG-Mamba وAudio Mamba الأصلية.

4. النتائج التجريبية

أُجريت التجارب على مجموعة بيانات PhysioNet/CinC Challenge 2021 (88,253 تسجيلاً، 26 فئة) ومجموعة بيانات 2020. تم تقييم النموذج باستخدام Macro AUPRC و Macro AUROC.

مقارنة الأداء (PhysioNet/CinC 2021):

الطريقة	AUPRC	AUROC
ISIBrno (ResNet)	0.5041	0.9036
ISIBrno (بدون Attention)	0.5452	0.8863
2D-CNN	0.5439	0.9348
ECG-Mamba	0.6100	0.9643
1DCNN-ECG-Mamba (النموذج المقترح)	0.6410	0.9695

النتائج الرئيسية:

مقابل أفضل نتيجة في 2021 (ISIBrno): حقق 1DCNN-ECG-Mamba تحسناً في AUPRC بنسبة ~17.8% وفي AUROC بنسبة ~3.7% مقارنة بأساس 2D-CNN، وتفوق بشكل كبير على نموذج ResNet-based ISIBrno.
مقابل أفضل نتيجة في 2020 (Prna): في مجموعة بيانات 2020، حقق AUPRC قدره 0.5787 و AUROC قدره 0.9571، متفوقاً على نموذج Prna Transformer (0.5115 / 0.9318).
مقابل متغيرات Mamba: تفوق على نماذج Mamba و Audio Mamba الأصلية، مما يؤكد أهمية البنية ثنائية الاتجاه لالتقاط السياق الزمني لتخطيط القلب.

5. الأهمية والأثر

الفائدة السريرية: تشير درجات AUPRC العالية إلى قدرة النموذج الفائقة على اكتشاف الاعتلالات القلبية النادرة، وهو أمر بالغ الأهمية للتشخيص المبكر وتقليل السلبيات الكاذبة في البيئات السريرية.
الكفاءة: من خلال الاستفادة من التعقيد الخطي لـ Mamba، يوفر النموذج بديلاً فعالاً حسابياً لنماذج Transformer للسلاسل الزمنية الطويلة لتخطيط القلب، مما يجعله مناسباً للتطبيقات في الوقت الفعلي والبيئات محدودة الموارد (مثل الطب عن بُعد).
القدرة على التعميم: يثبت الإطار أنه يمكن تطويع نماذج SSM بنجاح من المجالات المرئية والصوتية إلى معالجة الإشارات الطبية الحيوية، مما يفتح آفاقاً جديدة لتحليل السلاسل الزمنية في الرعاية الصحية.

في الختام، تقدم الورقة حلاً قوياً وعالي الأداء للتشخيص الآلي لتخطيط القلب، مما يثبت أن بنيات CNN-Mamba الهجينة يمكنها بفعالية التغلب على قيود النماذج الحالية في التعامل مع بيانات السلاسل الزمنية الطبية والمعقدة.