FHRFormer: A Self-Supervised Masked Transformer Framework for Fetal Heart Rate Time-Series Inpainting and Forecasting
تقدم هذه الورقة FHRFormer، وهو إطار عمل محول مقنع ذاتي الإشراف يعيد بناء بيانات معدل ضربات قلب الجنين المفقودة بفعالية ويتنبأ بالإشارات المستقبلية من خلال التقاط الخصائص الزمنية والترددية المحلية، مما يتغلب على قيود طرق الاستيفاء التقليدية لتعزيز تقييم مخاطر الجنين القائم على الذكاء الاصطناعي.
تخيل أماً ترتدي جهازاً ذكياً يتتبع نبضات قلب طفلها أثناء حركتها. هذه خطوة هائلة للأمام لأنها تسمح للجنين بالحركة بحرية دون أن يكون مقيداً بسرير المستشفى. ومع ذلك، تماماً مثل إشارة الراديو التي تصبح مشوشة عندما تسير خلف تلة، تفقد هذه المستشعرات القابلة للارتداء الإشارة أحياناً عندما تغير الأم وضعيتها. وهذا يخلق "فجوات" أو قطعاً مفقودة في بيانات معدل ضربات القلب.
يطلق الباحثون على هذه المشكلة اسم انقطاع الإشارة (signal dropout). إذا حاولت تحليل لغز مكسور، فلن تتمكن من رؤية الصورة كاملة. الطرق التقليدية لإصلاح هذه الفجوات تشبه محاولة ملء قطعة مفقودة من اللغز عبر مجرد رسم خط مستقيم بين الجانبين؛ قد يبدو الأمر جيداً من بعيد، لكنه يفتقر إلى كل التفاصيل الصغيرة والمهمة في الصورة.
قام مؤلفو هذا البحث، FHRFormer، ببناء أداة جديدة وأكثر ذكاءً لإصلاح هذه الفجوات. فكر في الأمر كأنه فنان ذكاء اصطناعي لا يكتفي برسم خط مستقيم فحسب، بل يدرس الأسلوب والإيقاع والأنماط الموجودة في قطع اللغز المحيطة ليتوقع بالضبط كيف يجب أن تبدو القطعة المفقودة.
كيف يعمل "فنان الذكاء الاصطناعي"
ابتكر الفريق نظاماً يسمى FHRFormer (والذي يرمز إلى Fetal Heart Rate Transformer - محول معدل ضربات قلب الجنين). إليك كيف يتعلم ليكون بارعاً في عمله:
لعبة التدريب (التعلم الخاضع للإشراف الذاتي): تخيل أن لديك تسجيلاً كاملاً ومثالياً لمعدل ضربات القلب. يُطلب من الذكاء الاصطناعي لعب لعبة حيث يُسمح له بـ "مسح" أجزاء عشوائية من هذا التسجيل (القناع/masking). ثم يتعين عليه النظر إلى الأجزاء المتبقية ومحاولة إعادة رسم الأجزاء الممسوحة بشكل مثالي.
يقوم بذلك آلاف المرات.
هو لا يتعلم فقط شكل الخط (الزمن)، بل يتعلم أيضاً "الموسيقى" أو الإيقاع الخاص بنبض القلب (التردد).
تذكر الورقة البحثية "خسارة مدركة للتردد" (frequency-aware loss) خاصة، وهي تشبه معلماً صارماً يقول للذكاء الاصطناعي: "لقد ضبطت الشكل، لكن الإيقاع غير مضبوط! حاول مرة أخرى". هذا يضمن أن نبض القلب المعاد بناؤه يبدو ويشعر وكأنه حقيقي، وليس مجرد خط ناعم وزائف.
عقل المحول (The Transformer Brain): على عكس نماذج الذكاء الاصطناعي القديمة التي تقرأ البيانات خطوة بخطوة (مثل قراءة كتاب كلمة بكلمة)، يستخدم هذا النموذج محولاً (Transformer). فكر في "المحول" كشخص يمكنه النظر إلى صفحة الكتاب بأكملة في وقت واحد. يمكنه رؤية كيف يرتبط نمط نبض القلب من قبل 10 دقائق بنمط يحدث الآن. هذا يساعده على فهم "الصورة الكبيرة" والسياق، مما يجعل تخميناته حول البيانات المفقودة أكثر دقة بكثير.
ما وجدته الورقة البحثية بالفعل
اختبر الباحثون فنان الذكاء الاصطناعي الجديد الخاص بهم على بيانات حقيقية جُمعت من مستشفيات في تنزانيا باستخدام جهاز يسمى Moyo monitor. وإليكم ما اكتشفوه:
حجم "الرقعة" (Patch) مهم: يقوم الذكاء الاصطنا_ي بتقسيم البيانات إلى قطع صغيرة (patches) لدراستها. ووجدوا أن النظر في قطع أصغر (30 نقطة بيانات) كان الأفضل. إذا كانت القطع كبيرة جداً، يصاب الذكاء الاصطناعي بالارتباك ويقوم بتنعيم التموجات الصغيرة المهمة في نبض القلب التي يحتاج الأطباء لرؤيتها.
النقطة المثالية للبيانات المفقودة: حقق الذكاء الاصطناعي أفضل أداء عندما تم تدريبه على ملء فجوات تبلغ حوالي 15% من إجمالي البيانات. إذا فُقد الكثير من البيانات (مثل مسح نصف الصفحة)، فإن الذكاء الاصطناعي يكافح لتخمين ما كان موجوداً.
أفضل من الطريقة القديمة: عندما قارنوا ذكاءهم الاصطناعي بالطريقة القديمة (الخط المستقيم)، كان الذكاء الاصطناعي أفضل بكثير في أداء المهمة. فقد حافظ على التقلبات الطبيعية الصعود والهبوط في نبض القلب، وحافظ على "نسيج" الإشارة سليماً.
التنبؤ بالمستقبل: أظهرت الورقة أيضاً أنه نظراً لأن الذكاء الاصطناعي يفهم الأنماط جيداً، يمكن استخدامه لـ التنبؤ بما سيفعله نبض القلب في الثواني القادمة. إنه يشبه قول الذكاء الاصطناعي: "بناءً على كيفية نبض قلب الطفل خلال الثلاثين دقيقة الماضية، إليكم ما أتوقع حدوثه في الخمس عشرة ثانية القادمة".
الخلاصة
تزعم الورقة البحثية أن FHRFormer هو أداة بحثية قوية يمكنها:
ملء الفراغات: يمكنه إصلاح بيانات معدل ضربات القلب المفقودة الناتجة عن الحركة، مما يجعل السجل يبدو مكتملاً ودقيقاً مرة أخرى.
الحفاظ على التفاصيل: على عكس الطرق القديمة، فإنه يحافظ على التغيرات السريعة والمعقدة في نبض القلب الضرورية لفهم صحة الجنين.
النظر للأمام: يمكنه التنبؤ بالتغيرات قصيرة المدى في نبض القلب، مما قد يساعد الأطباء على رصد المشكلات في وقت مبكر.
يؤكد المؤلفون أن هذا العمل هو حالياً أداة بحثية مصممة لتحسين جودة البيانات للتحليل. وهم يقترحون أنه في المستقبل، يمكن بناء هذه التكنولوجيا مباشرة داخل الأجهزة القابلة للارتداء لمساعدة الأطباء على اتخاذ قرارات أفضل، لكن الورقة تركز على إثبات أن الذكاء الاصطناعي يعمل بشكل جيد في إصلاح وتوقع البيانات نفسها.
ملخص تقني: FHRFormer
بيان المشكلة تعد مراقبة معدل ضربات قلب الجنين (FHR) أمراً بالغ الأهمية لتقييم سلامة الجنين وكشف حالات الضيق أثناء المخاض. وبينما ساهمت أجهزة مراقبة معدل ضربات قلب الجنين القابلة للارتداء (مثل جهاز Moyo) في تحسين إمكانية الوصول في المناطق ذات الموارد المحدودة من خلال تمكين المراقبة المستمرة دون تقييد حركة الأم، إلا أنها عرضة لانقطاعات الإشارة. تنشأ هذه الفجوات نتيجة إزاحة المستشعر أثناء الحركة أو تغير وضعية الجنين أو الأم. وتؤدي البيانات المفقودة من هذا النوع إلى تقويض التفسير السريري وتعيق موثوقية أنظمة الذكاء الاصطناعي (AI) المصممة للتنبؤ بالنتائج الولادية. تفشل طرق الاستكمال التقليدية، مثل الاستيفاء الخطي (linear interpolation) أو الاستيفاء بالشرائح (spline interpolation)، في الحفاظ على الخصائص الطيفية المعقدة والتماسك الزمني لإشارات معدل ضربات قلب الجنين، لا سيما أثناء فترات الانقطاع الطويلة. علاوة على ذلك، غالباً ما تعاني البنى العميقة للتعلم الآلي الحالية مثل الشبكات العصبية المتكررة (RNNs) والشبكات العصبية التلافيفية (CNNs) في التقاط التبعيات الزمنية طويلة المدى والطبيعة غير المستقرة لديناميكيات معدل ضربات قلب الجنين، وهو أمر ضروري لإعادة البناء والتنبؤ الدقيقين.
المنهجية يقترح المؤلفون FHRFormer، وهو إطار عمل مشفر تلقائي (autoencoder) يعتمد على نموذج المحولات (Transformer) ذو التعلم الذاتي المقنع، والمصمم لإكمال (inpainting) والتنبؤ بإشارات معدل ضربات قلب الجنين.
البنية: يستخدم النموذج بنية مشفر-فك تشفير (encoder-decoder) تعتمد على نماذج المحولات (Transformers). يتم تقسيم إشارة معدل ضربات قلب الجنين المدخلة (المطبعة إلى طول ثابت قدره 7,200 خطوة زمنية، والتي تمثل ساعة واحدة) إلى قطع (patches) غير متداخلة.
المشفر (Encoder): يعالج القطع المرئية (غير المقنعة) عبر خمس كتل من المحولات باستخدام آلية الانتباه الذاتي متعدد الرؤوس (MHSA) لالتقاط التبعيات الزمنية والطيفية العالمية.
فك التشفير (Decoder): يعيد بناء الإشارة الكاملة عن طريق معالجة القطع المشفرة المرئية ورموز القناع (mask tokens) القابلة للتعلم التي تمثل الأجزاء المفقودة. ويستخدم آلية الانتباه ثنائي الاتجاه للاستدلال على السياق الزمني بأكمله.
استراتيجية التدريب: يتم تدريب النموذج باستخدام نهج الترميز التلقائي المقنع ذاتي الإشراف. يتم تطبيق قناع ثنائي عشوائي على مجموعة فرعية من القطع (نسبة القناع المستهدفة γ)، ويُكلف النموذج بإعادة بناء قيم الإشارة الأصلية لهذه المناطق المقنعة.
دالة الخسارة (Loss Function): لضمان الدقة الزمنية والأمانة الفسيولوجية، يجمع هدف التدريب بين خسارتين:
خسارة إعادة البناء (Lrecon): متوسط مربع الخطأ (MSE) على القطع المقنعة.
خسارة التردد البؤري (Lfreq): خسارة في نطاق التردد تعاقب الاختلافات في أطياف مقدار تحويل فوريه المتقطع (DFT) بين الإشارات الأصلية والمعاد بناؤها. وهذا يضمن الحفاظ على الميزات الطيفية الحرجة مثل التباين الأساسي وأنماط التباطؤ. الإجمالي للخسارة هو مجموع موزون: Ltotal=0.95⋅Lrecon+0.05⋅Lfreq.
البيانات: تم تدريب النموذج على 4,486 حلقة من حلقات معدل ضربات قلب الجنين من مشروع "الولادة الآمنة" (Safer Births) في تنزانيا، والتي جُمعت عبر جهاز Laerdal Moyo. تمت معالجة البيانات مسبقاً لإزالة ضوضاء تأثير دوپلر وتطبيعها (normalization).
المساهمات الرئيسية
إعادة البناء القائمة على المحولات: تقديم مشفر تلقائي يعتمد على المحولات المقنعة مصمم خصيصاً لإعادة بناء إشارة معدل ضربات قلب الجنين، وقادر على نمذجة التبعيات الزمنية متعددة المقاييس بشكل أفضل من الشبكات العصبية المتكررة (RNNs) أو التلافيفية (CNNs).
استراتيجية الإكمال الذاتي (Self-Supervised Inpainting): طريقة لاستعادة أجزاء معدل ضربات قلب الجنين المفقودة دون الحاجة إلى بيانات مصنفة مقترنة، وذلك عبر استغلال القناع الاصطناعي على بيانات فسيولوجية غير مصنفة.
خط أنابيب التنبؤ (Forecasting Pipeline): توسيع النموذج المدرب للقيام بالتنبؤ التدريجي بقيم معدل ضربات قلب الجنين المستقبلية، مما يعزز فائدته لتقييم المخاطر في الوقت الفعلي.
التعلم المدرك للتردد: دمج خسارة التردد البؤري للحفاظ على الأمانة الطيفية، مما يعالج قصوراً رئيسياً في طرق إعادة البناء التي تعتمد على النطاق الزمني فقط.
النتائج تم تقييم النموذج على مجموعات التحقق والاختبار باستخدام مقايسات متعددة، بما في ذلك خسارة إعادة البناء (RL)، ونسبة الإشارة إلى الضوضاء القصوى (PSNR)، ومؤشر التشابه الهيكلي (SSIM)، ومسافة فريدشيه للإنتروبيا (FID)، ومتوسط مربع الخطأ (MSE)، وجذر متوسط مربع الخطأ (RMSE)، ومعامل الارتباط (CC).
حساسية حجم القطعة (Patch Size): أظهرت التجارب مع أحجام قطع تتراوح من 30 إلى 480 عينة أن القطع الأصغر حققت أداءً فائقاً. حقق التكوين ذو حجم القطعة 30 (Hybrid-30) أفضل النتائج، مع PSNR اختبار بلغ 41.38 ديسيبل، وSSIM قدره 0.9984، وCC قدره 0.9993. أدت القطع الأكبر إلى فقدان الدقة المورفولوجية المحلية.
نسبة القناع (Masking Ratio): بلغ الأداء ذروته عند نسبة قناع قدرها 15%. وما بعد هذه العتبة، أدت كثافة البيانات المفقودة إلى تدهور السياق الهيكلي المتاح لإعادة البناء.
الإكمال (Inpainting): أظهرت المقارنات البصرية أن FHRFormer أعاد بناء الأجزاء المفقودة بفعالية، محافظاً على التباطؤات العابرة واستقرار الخط الأساسي بشكل أفضل من الاستيفاء الخطي.
التنبؤ (Forecasting): في مهمة التنبؤ التدريجي (التنبؤ بـ 15 ثانية للأمام بناءً على تاريخ 30 دقيقة)، تفوق FHRFormer على خط الأساس TimeGPT، حيث نجح في تتبع المسارات الفسيولوجية المعقدة دون الوقوع في تراكم الخطأ أو افتراضات الحالة المستقرة.
الأهمية والادعاءات يضع البحث FHRFormer كأداة تحولية للجيل القادم من مراقبة معدل ضربات قلب الجنين المدعومة بالذكاء الاصطناعي، لا سيما للأجهزة القابلة للارتداء في البيئات محدودة الموارد. ومن خلال التعامل بفعالية مع انقطاعات الإشارة، يضمن إطار العمل استمرارية وجودة البيانات المطلوبة لخوارزميات تصنيف المخاطر القوية. يدعي المؤلفون أن الطريقة يمكن تطبيقها بأثر رجعي على مجموعات البيانات البحثية لتحسين تطوير خوارزميات الذكاء الاصطنا_ي. علاوة على ذلك، يشيرون إلى أن دمج هذا النهج في الأجهزة القابلة للارتداء يمكن أن يتيح كشفاً أبكر وأكثر قوة لضيق الجنين من خلال الحفاظ على استمرارية البيانات حتى أثناء فقدان الإشارة العابر. يجسد هذا العمل الفجوة بين قيود معالجة الإشارات التقليدية وقدرات التعلم العميق الحديثة، حيث يعالج تحديداً التعقيدات غير المستقرة والطيفية لإشارات معدل ضربات قلب الجنين.