Triple-Factorized attention framework with dynamic adaptive windowing for premature contraction classification

मानव हृदय एक ऐसी लय के साथ धड़कता है जो आमतौर पर स्थिर होती है, लेकिन यह एक गतिशील प्रणाली भी है जो अचानक, क्षणिक परिवर्तनों के लिए सक्षम है। इन परिवर्तनों में सबसे आम 'प्रीमैच्योर कॉन्ट्रैक्शंस' (असमय संकुचन) हैं, जहाँ हृदय एक धड़कन छोड़ देता है या बहुत जल्दी धड़क जाता है। ये घटनाएँ, जिन्हें प्रीमैचरियल एट्रियल कॉन्ट्रैक्शंस और प्रीमैचरियल वेंट्रिकुलर कॉन्ट्रैक्शंस के रूप में जाना जाता है, हानिरहित हो सकती हैं, लेकिन वे स्ट्रोक या हार्ट फेलियर जैसी अधिक गंभीर स्थितियों के चेतावनी संकेत भी हैं। डॉक्टरों के लिए चुनौती यह है कि ये अनियमितताएँ अक्सर संक्षिप्त और सूक्ष्म होती हैं, जो इलेक्ट्रोकार्डियोग्राम (ECG) के जटिल विद्युत संकेतों के भीतर छिपी रहती हैं। इन संकेतों को पढ़ने के पारंपरिक तरीके मानव विशेषज्ञों द्वारा तरंग के विशिष्ट आकारों की खोज करने पर निर्भर करते हैं, जो एक धीमी, त्रुटिपूर्ण और आज उपयोग किए जा रहे लाखों हार्ट मॉनिटरों के लिए कठिन प्रक्रिया है। हालाँकि कंप्यूटरों ने मदद करना शुरू कर दिया है, लेकिन कई मौजूदा प्रणालियाँ संघर्ष करती हैं क्योंकि वे हृदय के संकेतों को स्थिर स्नैपशॉट्स की एक श्रृंखला के रूप में मानती हैं, जिससे वे इस बात के तरल संदर्भ को खो देती हैं कि एक धड़कन अगली धड़कन को कैसे प्रभावित करती है।

इसे हल करने के लिए, शोधकर्ताओं ने HRDAWNet नामक एक नई प्रणाली विकसित की है, जिसे हृदय की लय को उसी तरह सुनने के लिए डिज़ाइन किया गया है जैसे एक मानव विशेषज्ञ सुनता है: यानी केवल एक एकल तरंग के आकार को देखने के बजाय उसके पीछे की कहानी को समझने के लिए। इस प्रणाली को दो विशिष्ट कमजोरियों को दूर करने के लिए बनाया गया था। पहला, पुराने तरीके हृदय के विद्युत चैनलों, धड़कनों के समय और तरंग के भौतिक आकार का विश्लेषण ऐसे करते हैं जैसे वे अलग-अलग, असंबद्ध तथ्य हों। दूसरा, वे आमतौर पर इतिहास की एक निश्चित, अपरिवर्तित मात्रा को देखते हैं, जैसे कि एक निश्चित ज़ूम लेंस वाला कैमरा जो यह देखने के लिए समायोजित नहीं हो सकता कि एक पैटर्न लंबे या छोटे अवधि में उभर रहा है या नहीं। यह नई प्रणाली इन कठोर दृष्टिकोणों को एक लचीले ढांचे से बदल देती है जो गतिशील रूप से पिछले धड़कनों के महत्व को तौलना सीखता है।

इस नवाचार का मूल एक तंत्र है जिसे शोधकर्ता "ट्रिपल-फैक्टराइज्ड अटेंशन" (Triple-Factorized Attention) कहते हैं। हृदय के विद्युत डेटा को अलग-थलग साइलो में संसाधित करने के बजाय, यह प्रणाली एक साथ तीन आयामों पर विचार करती है: विशिष्ट विद्युत चैनल, तरंग का स्थानिक आकार, और लय का समय। यह इन तत्वों को एक जुड़े हुए पूर्ण के रूप में मानती है, जिससे कंप्यूटर यह देख पाता है कि एक क्षेत्र में परिवर्तन दूसरे को कैसे प्रभावित करता है। एक ऑर्केस्ट्रा को सुनते हुए कंडक्टर की कल्पना करें; वे केवल वायलिन या ड्रम को अलग-अलग नहीं सुनते, बल्कि समझते हैं कि ड्रम का समय वायलिन की धुन को कैसे सहारा देता है। इसी तरह, यह प्रणाली हृदय के संकेत के विभिन्न हिस्सों के बीच जटिल संबंधों को सीखती है, और उन सूक्ष्म अंतःक्रियाओं को पकड़ती है जो एक प्रीमैचरियल कॉन्ट्रैक्शन को परिभाषित करती हैं।

हृदय की धड़कनों की परिवर्तनशील प्रकृति को संभालने के लिए, प्रणाली "डायनेमिक एडेप्टिव विंडो" (Dynamic Adaptive Window) का भी उपयोग करती है। अतीत में, हृदय की लय का विश्लेषण करने वाले कंप्यूटर पिछले धड़कनों की एक निश्चित संख्या को देखते थे, चाहे वह इतिहास उपयोगी हो या न हो। हालाँकि, यह नई प्रणाली प्रत्येक पिछली धड़कन की प्रासंगिकता को स्कोर करना सीखती है। यह एक अजीब लय से ठीक पहले की कुछ धड़कनों पर गहराई से ध्यान केंद्रित करने का विकल्प चुन सकती है यदि सुराग वहीं है, या यह और पीछे तक देख सकती है यदि पैटर्न के लिए लंबे संदर्भ की आवश्यकता है। यह अप्रासंगिक इतिहास के शोर को प्रभावी ढंग से फ़िल्टर करती है, केवल उस जानकारी को रखती है जो वर्तमान क्षण को समझने में मदद करती है। यह मॉडल को रोगी के हृदय के अद्वितीय, बदलते पैटर्न के अनुकूल होने की अनुमति देता है, बजाय इसके कि हृदय के डेटा को एक कठोर, पूर्व-निर्धारित टेम्पलेट में फिट करने के लिए मजबूर किया जाए।

शोधकर्ताओं ने इस नए ढांचे का परीक्षण हृदय डेटा के दो बड़े, प्रसिद्ध संग्रहों पर किया, एक चीन की एक चुनौती से और दूसरा एक लंबे समय से चले आ रहे अमेरिकी डेटाबेस से। इन डेटासेट्स में विविध रोगियों के दर्जनों हजारों हृदय रिकॉर्डिंग शामिल थे, जिनमें से कई वे विशिष्ट अनियमितताएं थीं जिन्हें खोजने के लिए यह प्रणाली बनाई गई थी। परिणाम आश्चर्यजनक थे। नई प्रणाली ने चीनी डेटासेट पर 99.3% और अमेरिकी डेटासेट पर 99.0% की सटीकता प्राप्त की, जो पुराने डीप लर्निंग तकनीकों पर निर्भर पिछले तरीकों से बेहतर प्रदर्शन करती है। यह विशेष रूप से क्षणिक, कठिन-से-पकड़ने वाले क्षणों की पहचान करने में सफल रही, बिना गलत अलार्म बजाए, जो चिकित्सा उपकरणों के लिए एक महत्वपूर्ण आवश्यकता है।

यह सुनिश्चित करने के लिए कि प्रणाली केवल अनुमान नहीं लगा रही है बल्कि सही चीज़ें सीख रही है, शोधकर्ताओं ने एक विज़ुअलाइज़ेशन तकनीक का उपयोग किया जो यह उजागर करती है कि कंप्यूटर हृदय के संकेत के किस हिस्से पर ध्यान केंद्रित कर रहा था। जब सिस्टम ने एक प्रीमैचरियल एट्रियल कॉन्ट्रैक्शन की पहचान की, तो विज़ुअलाइज़ेशन ने दिखाया कि यह इनवर्टेड पी-वेव (inverted P-wave) पर केंद्रित हुआ, जो उस स्थिति की एक विशिष्ट पहचान है। जब इसने एक प्रीमैचरियल वेंट्रिकुलर कॉन्ट्रैक्शन पाया, तो इसने सही ढंग से चौड़े, विकृत क्यूआरएस कॉम्प्लेक्स (QRS complex) को हाइलाइट किया जो उसके बाद आता है। इसने पुष्टि की कि सिस्टम यादृच्छिक शोर पर निर्भर नहीं था बल्कि वास्तव में उन चिकित्सा विशेषताओं को पहचान रहा था जिन्हें डॉक्टर देखते हैं। मॉडल ने तेजी से प्रशिक्षण लिया और स्थिर रहा, जिससे पता चला कि यह मानवीय हृदय की धड़कनों की प्राकृतिक विविधताओं से भ्रमित हुए बिना इन जटिल पैटर्न को सीख सकता है।

हाला लीजिए कि यह प्रणाली बहुत अधिक संभावना दिखाती है, लेखक का कहना है कि इसे हर वास्तविक दुनिया के परिदृश्य में काम करने के लिए विभिन्न अस्पतालों के डेटा और विभिन्न प्रकार के उपकरणों पर और अधिक परीक्षण की आवश्यकता है। वे यह भी स्वीकार करते हैं कि यह प्रणाली वर्तमान में कुछ सरल उपकरणों की तुलना में अधिक जटिल है, जिससे इसे बहुत छोटे, बैटरी से चलने वाले उपकरणों पर चलाना कठिन हो सकता है। फिर भी, इस दृष्टिकोण की सफलता यह सुझाव देती है कि हृदय निगरानी के लिए एक नया मार्ग खुला है। कठोर, पूर्व-निर्धारित नियमों से हटकर एक ऐसी प्रणाली की ओर बढ़ते हुए जो गतिशील रूप से पिछले घटनाओं के महत्व को तौल सकती है और विभिन्न प्रकार के डेटा को जोड़ सकती है, यह शोध खतरनाक हृदय लय का पता लगाने का एक तरीका प्रदान करता है जो पहले की तुलना में सटीकता और विश्वसनीयता के एक नए स्तर पर है।