Physiology-augmented deep representations improve cross-database electrocardiogram beat classification under unseen-domain shift

ينبض قلب الإنسان بإيقاع هو بيولوجي وكهربائي في آن واحد، مرسلاً إشارات عبر الصدر قرأها الأطباء لأكثر من قرن باستخدام آلة تسمى مخطط كهربائية القلب، أو ECG. تنتج هذه الآلات خطاً متعرجاً على الشاشة، وهو سجل مرئي للنشاط الكهربائي للقلب يكشف ما إذا كان العضو ينبض بشكل طبيعي أو يعاني من عدم انتظام ضربات القلب. لعقود من الزمن، وقعت مهمة تفسير هذه الخطوط على عاتق الخبراء البشريين، لكن الحجم الهائل للبيانات المتدفقة من الأجهزة القابلة للارتداء وأجهزة المراقبة في المستشفيات جعل من الضروري تعليم الحواسيب القيام بهذا العمل. وفي السنوات الأخيرة، أصبح الذكاء الاصطناعي هو الأداة المفضلة، حيث تم تدريب أنظمة التعلم العميق على التعرف على الأنماط في ضربات القلب التي قد تكون غير مرئية للعين المجردة. ومع ذلك، لا تزال هناك مشكلة مستعصية: فبرنامج الكمبيوتر الذي يتعلم قراءة ضربات القلب بشكل مثالي في مستشفى واحد غالباً ما يفشل عندما يُطلب منه قراءة ضربات القلب من مستشفى آخر، أو جهاز آخر، أو مجموعة أخرى من الناس. يحدث هذا لأن البيانات من مصادر مختلفة تبدو مختلفة قليلاً، مما يخلق فجوة لا يستطيع الكمبيوتر عبورها بسهولة دون إعادة تدريب.

وضع باحثون في جامعة كوامي نكروما للعلوم والتكنولوجيا في غانا نصب أعينهم معرفة ما إذا كان بإمكانهم مساعدة نماذج الذكاء الاصطناعي هذه على عبور تلك الفجوة دون الحاجة إلى رؤية البيانات الجديدة أولاً. طرحوا سؤالاً بسيطاً: إذا تعلم الكمبيوتر التعرف على ضربة القلب من خلال النظر إلى الشكل الخام للموجة، فهل سيستفيد أيضاً من إخباره بالحقائق المحددة والقابلة للقياس حول ضربة القلب تلك، مثل مدة الموجة أو المسافات بين الضربات؟ ولاختبار ذلك، بنوا نظاماً يجمع بين طريقتين للنظر إلى القلب. استخدم جزء من النظام شبكة عصبية حديثة وقوية لتعلم الأنماط المعقدة مباشرة من الإشارة الخام، تماماً مثل طالب يحفظ آلاف الأمثلة. أما الجزء الآخر من النظام، فقد استخدم طريقة تقليدية قائمة على القواعد لقياس الفترات والأشكال المحددة، واستخراج مجموعة من أربعين حقيقة رقمية واضحة حول إيقاع وتوقيت الضربات. قاموا بتدريب هذا النظام المدمج على بيانات القلب من قاعدة بيانات كبيرة ومعروفة، ثم اختبروه على قاعدة بيانات مختلفة تماماً لم يرها النظام من قبل، مع ضمان عدم استخدام أي معلومات من مجموعة الاختبار الجديدة لتعديل النموذج أثناء التدريب.

أظهرت النتائج أن إضافة الحقائق المقاسة الصريحة إلى نموذج التعلم العميق أحدثت فرقاً حقيقياً. فعند اختبار النظام على قاعدة البيانات الخارجية غير المرئية، عانى الإصدار الذي استخدم التعرف على الأنماط الخام فقط لتصنيف ضربات القلب بشكل صحيح، محققاً درجة تعكس صعوبة كبيرة في التعامل مع البيانات الجديدة. ومع ذلك، فإن الإصدار الذي جمع بين الأنماط الخام والـ ٤٠ حقيقة المقاسة كان أداؤه أفضل بشكل ملحوظ. لم يكن التحسن مجرد تقلب طفيف؛ فقد أكد التحليل الإحصائي أن هذا المكسب كان حقيقياً وليس ناتجاً عن الصدفة. لقد نجح النظام الهجين، الذي استخدم الأنماواط العميقة والقياسات الصريحة، في تحديد نوع ضربات القلب بشكل صحيح أكثر من نظام التعلم العميق وحده. يشير هذا إلى أن الطريقتين تنظران إلى القلب من زوايا مختلفة. كان نموذج التعلم العميق جيداً في التعرف على الشكل العام لضربة واحدة، لكنه افتقر إلى سياق ما يحدث قبل وبعد تلك الضربة. أما الحقائق المقاسة، والتي شملت الوقت بين الضربات والإيقاع، فقد وفرت ذلك السياق المفقود، حيث عملت كجسر ساعد الكمبيوتر على فهم البيانات الجديدة رغم أنه لم يرها من قبل.

وجد الباحثون أن أكثر معلومة قيمة اكتسبها النظام من الحقائق المقاسة هي الإيقاع نفسه. فعندما منعوا النظام مؤقتاً من رؤية التوقيت بين الضربات، انخفض أداؤه أكثر مما حدث عند منع أي نوع آخر من المعلومات. وهذا أمر منطقي، لأن نموذج التعلم العميق تم تدريبه على نوافذ معزولة لمدة ثانية واحدة من ضربات القلب، لذا لم يكن يعرف بطبيعته السرعة الإجمالية لضربات القلب أو مدى انتظام الإيقاع. لقد ملأت القياسات الصريحة هذه الفجوة، مما منح النظام رؤية أوسع لسلوك القلب. وبينما استطاع نموذج التعلم العمبو وحده التعامل مع غالبية ضربات القلب الطبيعية، إلا أنه واجه صعوبة مع الأنواع الأكثر تعقيداً وندرة من عدم انتظام ضربات القلب عند مواجهة قاعدة البيانات الجديدة. وقد ساعدت إضافة الحقائق المقاسة النظام على التعامل مع هذه الحالات الصعبة بشكل أفضل، مما حسن قدرته على التمييز بين الأنواع المختلفة من عدم انتظام ضربات القلب.

من المهم ملاحظة أن هذا التحسن كان محدداً بتحدي الانتقال من قاعدة بيانات إلى أخرى. فعندما اختبر الباحثون النظام على بيانات من نفس المستشفى الذي تم التدريب فيه، كان الفائدة من إضافة الحقائق المقاسة أصغر بكثير وغير ذات دلالة إحصائية. وهذا يخبرنا أن المعلومات الإضافية ليست مجرد معزز عام لجميع المواقف، بل هي أداة محددة تساعد الكمبيوتر على التكيف عندما تتغير البيانات بطرق غير متوقعة. لم تدّعِ الدراسة أنها حلت مشكلة تشخيص أمراض القلب، ولم تشر إلى أن هذه النماذج جاهزة للاستخدام الفوري في كل عيادة. لقد كان الباحثون حذرين في الإشارة إلى أن نظامهم لا يزال يعاني مع الأنواع الأكثر ندرة من ضربات القلب، ببساطة بسبب وجود أمثلة قليلة جداً منها في بيانات الاختبار للتعلم منها. علاوة على ذلك، اعتمد النظام على مسار (lead) واحد لإشارة القلب، في حين تستخدم الأجهزة الطبية في العالم الحقيقي غالباً مسارات متعددة للحصول على صورة أشمل.

رغم هذه القيود، يقدم هذا العمل مساراً واضحاً للمضي قدماً. فهو يثبت أننا لسنا مضطرين للاختيار بين التعرف القوي على الأنماط للذكاء الاصطناعي الحديث وبين القياسات الموثوقة والقابلة للتفسير للطب التقليدي. بدلاً من ذلك، يمكن للاثنين أن يعملا معاً. فمن خلال تغذية نموذج التعلم العميق بكل من الإشارة الخام ومجموعة من الحقائق الواضحة والمثبتة حول توقيت وشكل القلب، يمكن للباحثين إنشاء أنظمة أكثر قوة وقدرة على التعامل مع الواقع الفوضوي للبيانات من مصادر مختلفة. يشير هذا النهج إلى أن مستقبل مراقبة القلب الآلية قد لا يكمن في استبدال المعرفة البشرية بالآلات، بل في تعليم الآلات احترام واستخدام الحقائق المحددة والقابلة للقياس التي اعتمد عليها الأطباء البشريون لأجيال. وتخلص الدراسة إلى أنه بينما يوفر نموذج التعلم العميق أساساً قوياً، فإن إضافة الحقائق الفسيولوجية توفر طبقة تكميلية من الفهم تساعد النظام على رؤية القلب بوضوح أكبر، حتى عندما يتغير المشهد.