MobileViTv2 with a normalised cosine-similarity classification head and synthetic data balancing for ECG arrhythmia classification on the MIT-BIH Arrhythmia Database
تقدم هذه الورقة شبكة هجينة قائمة على MobileViTv2 معززة برأس تصنيف يعتمد على تشابه جيب التمام المعياري وموازنة بيانات اصطناعية باستخدام WGAN-GP، والتي تحقق دقة عالية داخل المريض الواحد على قاعدة بيانات MIT-BIH لاضطراب نظم القلب مع تسليط الضوء على ضرورة التحقق المستقبلي المستقل عن المريض.
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
ينبض قلب الإنسان بإيقاع يتسم بالثبات والخصوصية الفريدة في آن واحد، وهو نبض بيولوجي يستمع إليه الأطباء بحثاً عن علامات الخلل. وعندما يختل هذا الإيقاع، ليصبح غير منتظم أو فوضوياً، فإنه يشير إلى حالة من عدم انتظام ضربات القلب (arrhythmia)، وهي حالة يمكن أن تؤدي إلى الموت المفاجئ إذا لم تُكتشف مبكراً. والأداة الأساسية لمراقبة هذه الرقصة الكهربائية هي تخطيط كهربائية القلب، أو ما يعرف بـ (ECG)، وهو جهاز يسجل الإشارات الكهربائية للقلب كخط متعرج على الشاشة. ولعقود من الزمن، قام المتخصصون بفحص هذه الخطوط يدوياً لتحديد أنواع مختلفة من الاضطرابات، ولكن مع جعل الأجهزة القابلة للارتداء المراقبة المستمرة للقلب أكثر شيوعاً، أصبح حجم البيانات الهائل يفوق القدرة على الاستيعاب. وقد دفع هذا الباحثين للتساؤل عما إذا كان بإمكان الذكاء الاصطناعي تعلم قراءة هذه الإشارات ببراعة تضاهي، أو حتى تفوق، العين البشرية، لا سيما عندما تكون البيانات مشوشة، وأنواع الأخطاء النادرة يصعب العثين عليها، وأن الحواسيب التي تشغل عملية التحليل تحتاج لأن تكون صغيرة بما يكفي لتناسب معصم اليد.
في دراسة حديثة، سعى الباحثون لبناء نظام يمكنه تصنيف نبضات القلب إلى خمس فئات متميزة من الصحة والمرض، وذلك باستخدام قاعدة بيانات لتسجيلات حقيقية للقلب تُعرف باسم (MIT-BIH Arrhythmia Database). وكان التحدي مزدوجاً: فالبيانات كانت منحازة بشدة، حيث تظهر بعض أنواع نبضات القلب آلاف المرات بينما تظهر أنواع أخرى بضع مرات فقط، كما كان من الضرء أن تكون النماذج فعالة بما يكفي للعمل على الأجهزة المحمولة. ولمواجهة ذلك، قام الفريق أولاً بتحويل الإشارات الكهربائية الخام إلى صور مرئية توضح كيفية تغير طاقة الإشارة عبر الزمن وعبر ترددات مختلفة. ثم قاموا بتغذية هذه الصور في شبكة رؤية حاسوبية خفيفة الوزن مصممة للهواتف الذكية، ولكن مع لمسة جوهرية؛ فبدلاً من استخدام الطريقة القياسية التي تتخذ بها هذه الشبكات عادةً قرارها النهائي، استبدلوا الطبقة الأخيرة بطريقة تقارن شكل نمط نبضة القلب بالشكل المثالي لكل فئة مرضية، متجاهلين مدى قوة أو شدة الإشارة. وقد سمح هذا النهج، مقترناً بتقنية لإنشاء أمثلة اصطناعية لنبضات القلب النادرة لموازنة بيانات التدريب، للنظام بأن يتعلم بفعالية أكبر من المعلومات المحدودة المتاحة.
أظهرت النتائج أن هذا النهج الجديد قد حقق نجاحاً كبيراً. فعند اختباره على مجموعة كبيرة من نبضات القلب الحقيقية التي لم يرها الحاسوب من قبل، تمكن النظام من تحديد نوع نبضة القلب بدقة تقارب 98 بالمائة. وقد أدى النظام أداءً جيداً بشكل خاص في التمييز بين نبضات القلب الطبيعية وأكثر الاضطرابات خطورة، رغم أنه لا يزال يجد صعوبة طفيفة في التمييز بين نوعين محددين من الأخطاء النادرة التي تبدو متشابهة جداً لبعضهما البعض. ووجد الباحثون أن طبقة اتخاذ القرار المعدلة التي استخدموها منحت دفعة صغيرة ولكن ملموسة في الدقة مقارنة بالطريقة القياسية، خاصة في تلك الحالات النادرة والمعقدة. وكانت نبضات القلب الاصطناعية التي أُنشئت لمساعدة الحاسوب على التعلم مشابهة جداً للنبضات الحقيقية، حيث تطابقت معها عن كثب في كل من التوقيت وأنماط التردد، مما أثبت أن الحاسوب يمكنه التعلم من هذه الأمثلة الاصطناعية دون أن يصاب بالارتباك.
ومع ذلك، يحرص الباحثون على توضيح ما يعنيه هذا النجاح وما لا يعنيه. فبما أن الحاسوب قد اختُبر على نبضات قلب مأخوذة من نفس الأشخاص الذين درس بياناتهم بالفعل، فإن النتائج تعكس مدى جودة تعلم النظام لشكل القلب الفريد لشخص معين، وليس مدى قدرته على تشخيص مريض جديد تماماً لم يسبق له مواجهته. ففي العالم الحقيقي، يمتلك قلب كل إنسان بصمة كهربائية مختلفة قليلاً، والنظام الذي يعمل بشكل مثالي مع شخص ما قد يواجه صعوبات مع شخص آخر. ولم تختبر الدراسة سيناريو "المريض الجديد"، كما لم تقيس المدة التي ستستغرقها العملية برمتها على جهاز صغير يعمل بالبطارية، حيث لم يتم تضمين الوقت المستغرق في تحويل الإشارة إلى صورة في اختبارات السرعة الخاصة بهم. كما أشار المؤلفون إلى أن قدرة النظام على شرح أخطائه كانت محدودة؛ فبينما كان بإمكانهم رؤية الأجزاء التي ركز عليها الحاسوب في الصورة، لم يكن بمقدورهم رسم خرائط كاملة لتلك المناطق وإعادتها إلى الموجات المحددة على خط تخطيط القلب الأصلي.
في نهاية المطاف، يوضح هذا العمل أن شبكة الحاسوب الصديقة للهواتف المحمولة، عندما يتم توجيهها بطريقة أكثر ذكاءً للمقارنة بين الأنماط وتغذيتها بمزيج متوازن من الأمثلة الحقيقية والاصطناعية، يمكنها تحقيق دقة عالية في تصنيف نبضات القلب. وتشير النتائج إلى أن الطريقة المحددة المستخدمة لاتخاذ القرار النهائي تساعد النظام على التركيز على شكل الاضطراب بدلاً من مجرد قوة الإشارة. ومع ذلك، فإن الطريق نحو الاستخدام السريري لا يزال طويلاً؛ فقبل أن يمكن الوثوق بهذه التكنولوجيا لمراقبة المرضى في العالم الحقيقي، يجب إثبات قدرتها على العمل مع أشخاص لم يسبق لها رؤيتهم، واختبارها عبر قواعد بيانات مختلفة، وقياس أدائها على الأجهزة الفعلية التي ستعمل عليها. وفي الوقت الحالي، تمثل هذه الدراسة خطوة واعدة للأمام، حيث تظهر أنه مع الأدوات المناسبة، يمكن للذكاء الاصطناعي أن يبدأ في فهم اللغة الإيقاعية المعقدة لقلب الإنسان.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.