← أحدث الأبحاث
💻 computer science

Quantum Bayesian Neural Network for Uncertainty-Aware ECG Anomaly Detection

تقترح هذه الدراسة شبكة عصبية بايزية كمومية تدمج هندسة الميزات متعددة المقاييس، والتعلم الكمومي التبايني، والاستدلال البايزي لتحقيق كشف عالي الأداء وواعٍ باليقين عن شذوذ تخطيط كهربائية القلب، مما يثبت أن نموذج ترميز الزاوية الكثيفة المكون من ستة كيوبتات مع إعادة رفع البيانات يحقق مساحة تحت المنحنى (AUC) قدرها 0.91 مع التحقق من متانته من خلال التنفيذ على أجهزة IBM الكمومية الفيزيائية.

المؤلفون الأصليون: Van Hieu Nguyen, Sutharshan Rajasegarar, Shiva Raj Pokhrel

نُشر 2026-10-12
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Van Hieu Nguyen, Sutharshan Rajasegarar, Shiva Raj Pokhrel

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

تتحدث عضلة القلب البشرية بلغة من النبضات الكهربائية، وهي شفرة إيقاعية اعتمد عليها الأطباء طويلاً لتشخيص الأمراض. وعندما يختل هذا الإيقاع، فإن الاضطرابات الناتجة، والمعروفة باسم عدم انتظام ضربات القلب، يمكن أن تنذر بمخاطر صحية جسيمة. إن اكتشاف هذه الشذوذات في نبضة القلب هو مهمة تعلمت الحواسيب القيام بها، ومع ذلك، غالباً ما تكون الإشارات فوضوية وتختلف اختلافاً كبيًا من شخص لآخر. هذا التعقيد يترك فجوة: فقد يكتشف الكمبيوتر مشكلة ما، لكنه لا يستطيع دائماً تحديد مدى تأكده منها. وفي عالم البيانات الطبية، يعد معرفة مستوى اليقين أمراً حيوياً بقدر أهمية التشخيص نفسه. ولمعالجة ذلك، يستكشف الباحثون آفاقاً جديدة للحوسبة تتجاوز المنطق الثنائي للآلات التقليدية؛ حيث يتجهون نحو الحوسبة الكمومية، وهو مجال يستخدم القواعد الاحتمالية الغريبة للجسيمات دون الذرية لمعالجة المعلومات. ومن خلال الجمع بين هذه الأجهزة القوية الجديدة والنهج الإحصائي المسمى "التعلم البايزي" (Bayesian learning)، والذي يعامل المعرفة كمسألة احتمالية بدلاً من كونها حقيقة مطلقة، يأمل العلماء في بناء أنظمة لا تكتفي فقط بإيجاد الأخطاء في نبضات القلب، بل تفهم أيضاً مستوى الثقة وراء نتائجها.

لقد اتخذ فريق من الباحثين في جامعة ديكين في أستراليا خطوة كبيرة في هذا الاتجاه من خلال تطوير نظام متخصص للكشف عن شذوذ القلب باستخدام هذه المبادئ الكمومية. ويركز عملهم على نوع محدد من الذكاء الاصطناعي يسمى "الشبكة العصبية البايزية الكمومية". وبخلاف البرامج الحاسوبية القياسية التي تتبع مجموعة ثابتة من القواعد، فقد صُمم هذا النظام للتعلم من البيانات مع تتبع حالة عدم اليقين الخاصة به في الوقت ذات ذاته. اختبر الباحثون نهجهم باستخدام مجموعة ضخمة من تسجيلات القلب الحقيقية، وتحديداً قاعدة بيانات (MIT-BIH) لعدم انتظام ضربات القلب، والتي تحتوي على آلاف نبضات القلب المشروحة من المرضى. لم يكتفوا بمجرد تغذية هذه البيانات الخام في جهاز كمبيوتر، بل قاموا أولاً بتفكيك الإشارات إلى قطع أصغر وأسهل في الإدارة واستخراج مجموعة متنوعة من السمات، مثل شكل الموجة، وترددها، وكيفية ارتباط أجزاء مختلفة من الإشارة ببعضها البعض عبر الزمن. وقد ضمن هذا التحضير الدقيق أن يتلقى الكمبيوتر الكمومي وصفاً واضحاً وغنياً لنبضة القلب قبل بدء عملية التحليل.

تضمن جوهر تجربتهم رسم خرائط لسمات القلب هذه على معالج كمومي. جرب الباحثون عدة طرق مختلفة لترجمة بيانات القلب إلى لغة البتات الكمومية، أو ما يعرف بـ "الكيوبتات" (qubits). وقارنوا بين طريقة يتم فيها تخصيص كيوبت واحد لكل سمة، وبين نهج أكثر كثافة يتم فيه حزم سمتين في كل كيوبت. كما اختبروا كيف يؤثر عمق الدائرة الكمومية، أو عدد طبقات المعالجة، على النتائج، وما إذا كان إعادة تغذية البيانات في النظام عدة مرات سيؤدي إلى تحسين تعلمه. وبعد إجراء آلاف عمليات المحاكاة، وجدوا أن التكوين الأكثر نجاحاً استخدم طريقة الترميز الأكثر كثافة مع ستة كيوبتات وأربع طبقات من المعالجة، مع إعادة إدخال البيانات أثناء الحساب أيضاً. حقق هذا الإعداد المحدد مستوى عالٍ من الدقة في التمييز بين النبضات الطبيعية وغير الطبيعية، بنتيجة بلغت 0.91 على مقياس يكون فيه الرقم 1.0 مثالياً. والأهم من ذلك، وفر هذا التكوين تقديرات احتمالية أكثر موثوقية، مما يعني أن مستويات ثقة النظام كانت معايرة جيداً مع الاحتمالية الفعلية لوجود شذوذ.

ومع ذلك، فإن المحاكاة ليست هي الواقع نفسه. ولرؤية ما إذا كانت نتائجهم ستصمد في العالم المادي، أخذ الفريق النموذج الأكثر دمجاً وكفاءة لديهم — وهو نسخة أصغر تستخدم أربعة كيوبتات — وشغلوه على كمبيوتر كمومي حقيقي، وهو المعالج الكمومي (IBM Marrakesh). هذه الآلة، على عكس المحاكاة المثالية، تخضع للضجيج والعيوب الموجودة في العالم المادي. وكانت النتائج كاشفة؛ فبينما لم يكن الأداء في الأجهزة الحقيقية بنفس جودة المحاكاة، إلا أنها احتفظت بالقدرة على اكتشاف شذوذات القلب باتساق مدهش. فقد حدد النظام بشكل صحيح الغالبية العظمى من النبضات غير الطبيعية، حتى على الآلة التي تعاني من الضجيج. لاحظ الباحثون أن الفرق الرئيسي تمثل في زيادة طفيفة في الإنذارات الكاذبة، حيث يتم أحياناً تصنيف النبضات الطبيعية على أنها غير طبيعية، لكن النظام نادراً ما يغفل عن شذوذ حقيقي. وقد أثبت هذا أن السلوك المتعلم للنموذج الكمومي يمكن أن ينجو عند الانتقال من البيئة النظرية إلى البيئة المادية.

ربما كان الاكتشاف الأكثر قيمة في الدراسة هو كيفية تعامل النظام مع عدم اليقين الخاص به. نظرًا لأن النموذج بُني على المبادئ البايزية، فقد كان بإمكانه توليد مقياس للشك لكل تنبؤ يقوم به. ووجد الباحثون أنه عندما يكون الكمبيوتر الكمومي غير متأكد، فإن تنبؤاته تكون بالفعل أقل موثوقية. ومن خلال استخدام مقياس عدم اليقين الداخلي هذا، استطاعوا تصفية النتائج الأكثر شكاً. وعندما فعلوا ذلك، قفزت دقة التنبؤات المتبقية بشكل كبير، من حوالي 63 بالمائة إلى ما يقرب من 87 بالمائة. يشير هذا إلى أنه في بيئة طبية حقيقية، يمكن لهذا النوع من الأنظمة أن يعمل كمرشح ذكي، حيث يحدد فقط الحالات التي لديه ثقة عالية فيها، أو ينبه الطبيب البشري عندما يكون غير متأكد. وتخلص الدراسة إلى أنه بينما لا تزال الحواسيب الكمومية في مراحلها الأولى، فإن الجمع بينها وبين التعلم البايزي يخلق أداة قوية للتحليل الطبي. إنها تقدم مساراً للمستقبل حيث لا تكتفي الآلات بإعطاء الإجابات فحسب، بل تخبرنا أيضاً بمدى قدرتنا على الوثوق بها، وهي خطوة حاسمة لأي تكنولوجيا تهدف إلى مساعدة الصحة البشرية.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 cs →