Causal Filter Phase Sensitivity in Deep Electrocardiographic Classifiers: Multi-Cohort Evaluation, Confound Decoupling, and Phase Augmentation

في المستشفيات الحديثة، غالباً ما يتم مراقبة قلب المريض بواسطة آلات تستمع إلى إيقاعه الكهربائي. تلتقط هذه الأجهزة إشارة تسمى تخطيط كهربائية القلب (ECG)، والتي تظهر كخط متعرج يتتبع نبضات القلب. ولعقود من الزمن، كان الأطباء يقرأون هذه الخطوط بالعين المجردة، بحثاً عن أشكال محددة تشير إلى قلب سليم أو مشكلة خطيرة. واليوم، تتعلم برامج حاسوبية قوية قراءة هذه الخطوط نفسها، وغالباً بسرعة واتساق أكبر من البشر. تُبنى هذه البرامج على التعلم العميق، وهو نوع من الذكاء الاصطناعي الذي يجد الأنماط في البيانات من خلال دراسة آلاف الأمثلة. ولجعل هذه الإشارات واضحة، يجب على الآلات التي تسجلها أولاً تنظيف الضجيج، وإزالة طنين التداخل الكهربائي أو الانحراف البطيء الناتج عن تنفس المريض. وتستخدم عملية التنظيف هذه مرشحات رقمية، وهي أدوات رياضية تعمل على تنعيم الإشارة.

لفترة طويلة، اعتقد المهندسون أنه طالما قام المرشح بإزالة الضجيج دون تغيير شدة إشارة القلب، فإن الحاسوب سيرى الشيء نفسه. افترضوا أن توقيت قمم وقيعان الإشارة يهم بدرجة أقل من الشكل العام. ومع ذلك، فإن دراسة جديدة تتحدى هذا الافتراض؛ إذ تشير إلى أن الطريقة التي يزيح بها المرشح توقيت أجزاء مختلفة من الإشارة يمكن أن تخدع حتى أكثر برامج الكمبيوتر ذكاءً. فإذا أخر المرشح الأجزاء عالية التردد من نبضات القلب بجزء بسيط، فقد لا يعود الكمبيوتر قادراً على التعرف على حالة قلبية خطيرة، رغم أن الإشارة تبدو متطابقة تقريباً للعين البشرية. ويكتسب هذا الاكتشاف أهمية كبرى لأنه يكشف عن ضعف خفي في كيفية بناء الذكاء الاصطناዊ الطبي، موضحاً أن الأدوات المستخدمة لإعداد البيانات لا تقل أهمية عن الذكاء الذي يحللها.

لقد سعى الباحثون وراء هذه الدراسة، بقيادة ألفارو غارسيا كاساس من جامعة كارلوس الثالث في مدريد، لاختبار ما إذا كانت نماذج التعلم العميق هذه قوية حقاً أم أنها تعتمد سراً على غرائب التوقيت الخاصة بالمرشحات المستخدمة أثناء تدريبها. وقد ركزوا على نوع محدد من المرشحات يسمى "المرشح السببي" (causal filter)، وهو ضروري للمراقبة في الوقت الفلي، لأنه يمكنه فقط النظر إلى البيانات الماضية والحالية، وليس المستقبلية. ورغم أن هذه المرشحات ضرورية، إلا أنها غالباً ما تسبب استجابة طور غير خطية. وبعبارة أخرى، يعني هذا أن المرشح يؤخر الترددات المختلفة لإشارة القلب بمقادير زمنية متفاوتة؛ فقد يتم دفع نبضة عالية التردد للأمام بجزء من الثانية، بينما يتم دفع موجة منخفضة التردد للخلف بمقدار مختلف، مما يؤدي إلى تمدد وتشويه المحاذاة الدقيقة لحزمة الموجة الكهربائية للقلب.

ولعزل هذا التأثير، صمم الفريق تجربة ذكية باستخدام أداة رياضية خاصة تسمى "مرشح تمرير الكل" (all-pass filter). تخيل مرشحاً يغير توقيت الإشارة دون تغيير حجمها على الإطلاق؛ لقد سمحت هذه الأداة للباحثين بتغيير توقيت إشارة القلب مع الحفاظ على طاقتها وشدتها تماماً. واختبروا نماذجهم الحاسوبية على ثلاث مجموعات ضخمة ومستقلة من بيانات القلب من ألمانيا والصين، تضم أكثر من 36,000 سجل مريض. غطت هذه السجلات مجموعة واسعة من أمراض القلب، من الإيقاعات الطبيعية إلى عيوب التوصيل المعقدة حيث تنتقل الإشارة الكهربائية ببطء عبر القلب.

كانت النتائج مذهلة. فعندما طبق الباحثون هذا المرشح المشوه للتوقيت على الإشارات قبل تغذيتها للنماذج الحاسوبية المدربة، انخفضت قدرة النماذج على تشخيص أمراض القلب بشكل كبير. لم يكن الانخفاض طفيفاً؛ فبالنسبة لبعض الحالات الصعبة، انخفضت دقة الكمبيوتر من درجة تقارب المثالية إلى مستوى يكاد لا يتعدى التخمين العشوائي. عانت النماذج أكثر مع عيوب التوصيل، مثل حصار فروع الحزمة (bundle branch blocks)، والتي تعتمد على أشكال حادة ومحددة جداً في الإشارة الكهربائية للقلب. وأظهرت الدراسة أن الكمبيوتر تعلم التعرف على هذه الأشكال بناءً على محاذاة التوقيت الدقيقة التي يوفرها المرشح المستخدم في تدريبه. وعندما تغيرت تلك المحاذاة، ولو قليلاً، لم يعد الكمبيوتر قادراً على إيجاد النمط اللازم لإجراء التشخيص.

كما بحث الباحثون فيما إذا كان هذا الفشل ناتجاً عن بدء المرشح بشكل مفاجئ في بداية التسجيل، مما يخلق خللاً مؤقتاً. وأجروا اختباراً منفصلاً لمعرفة ما إذا كان ترك المرشح يستقر قبل قياس الإشارة سيحل المشكلة، لكن النتيجة لم تتغير. ظل انخفاض الأداء كما هو، مما أثبت أن المشكلة لم تكن خللاً مؤقتاً، بل كانت حساسية جوهرية لكيفية تغير توقيت الإشارة. وأكد هذا أن النماذج الحاسوبية لم تتعلم القواعد العامة لأمراض القلب، بل حفظت بدلاً من ذلك "بصمة الطور" (phase signature) المحددة للمرشح المستخدم في تدريبها.

ولحل هذه المشكلة، طور الفريق طريقة تدريب جديدة تسمى "تعزيز الطور العشوائي لمرشح تمرير الكل" (Stochastic All-Pass Phase Augmentation). فبدلاً من تدريب الكمبيوتر على إشارات نظيفة وغير معدلة، علموه أن يتوقع مجموعة متنوعة من تشوهات التوقيت. خلال التدريب، عُرضت على الكمبيوتر نفس إشارة القلب عدة مرات، ولكن في كل مرة مع إزاحة زمنية عشوائية مختلفة لتردداتها. أجبر هذا الكمبيوتر على تعلم الشكل الأساسي للموجة الكهربائية للقلب، بغض النظر عن كيفية تمدد أو انضغاط التوقيت. وعندما اختبروا هذه النماذج المدربة حديثاً ضد المرشحات المشوهة للتوقيت، تحسنت النتائج بشكل كبير؛ حيث استعادت النماذج معظم دقتها المفقودة، واسترجعت أكثر من 90 بالمائة من قدرتها التشخيصية في بعض الحالات.

لا تشير هذه الدراسة إلى أن التعلم العميق معطل، بل تشير إلى أنه أكثر هشاشة مما كان يُعتقد سابقاً عندما يتعلق الأمر بالتفاصيل غير المرئية لمعالجة الإشارات. وجد الباحثون أن النماذج الحاسوبية تتكيف مع "البصمة" المحددة للمرشح الذي تتدرب عليه. وإذا تغيرت هذه البصمة في العالم الحقيقي - ربما لأن مستشفى آخر يستخدم نوعاً مختلفاً من معدات المراقبة - فقد يفشل النموذج. والحل ليس في بناء مرشحات أفضل، بل في تعليم النماذج أن تكون مرنة. فمن خلال تعريضها للعديد من الاختلافات الزمنية أثناء التدريب، تتعلم النماذج التركيز على السمات الطبية الحقيقية للقلب بدلاً من الآثار الناتجة عن الآلة.

إن تداعيات هذه الدراسة على مستقبل التكنولوجيا الطبية واضحة. فبينما تتجه المستشفيات نحو استخدام الذكاء الاصطناعي للمراقبة في الوقت الفعلي وفرز الحالات الطارئة، يجب عليها ضمان أن خطوات إعداد البيانات قوية ومتينة. وتخلص الدراسة إلى أن خصائص الطور للمرشحات المستخدمة لتنظيف إشارات القلب هي عامل حيوي لضمان موثوقية هذه الأنظمة. وكما يجب على الموسيقي ضبط آلته لتعزف في انسجام مع الآخرين، يجب تدريب الذكاء الاصطناዊ الطبي على التعرف على إيقاعات القلب حتى عندما يكون التوقيت غير دقيق قليلاً. وبدون هذا التكيف، يمكن أن يتقوض الوعد بالتشخيص الآلي بسبب الأدوات ذاتها المستخدمة لجعل البيانات قابلة للقراءة. ويعد هذا العمل تذكيراً بأنه في العالم المعقد للهندسة الطبية الحيوية، يمكن لأصغر التحولات في الوقت أن تؤدي إلى أكبر العواقب على رعاية المرضى.