إطار فعال قائم على شبكات CNN عميقة وBiLSTM مع تحسين RanA للكشف الدقيق عن اضطرابات نظم القلب

لماذا تهم فحوصات القلب الأذكى

مشاكل نظم القلب، أو اضطرابات النظم، تشكل سببًا رئيسيًا للمرض والوفاة المفاجئة على مستوى العالم. اليوم، يعتمد الأطباء بدرجة كبيرة على تخطيط كهربائية القلب (ECG) — الخطوط المتعرجة المألوفة على الشاشة — لاكتشاف الخطر. لكن قراءة تسجيلات ECG الطويلة بالعين بطيئة ومتعبة وسهلة الخطأ، خصوصًا عندما تكون الأحداث الخطيرة قصيرة أو طفيفة. يصف هذا البحث نظامًا جديدًا للذكاء الاصطناعي يمكنه فرز تسجيلات ECG الكبيرة واكتشاف حالتين مهمتين — الرجفان الأذيني وفشل القلب الاحتقاني — بدقة لافتة، مما قد يجعل المراقبة المستمرة للقلب في الوقت الحقيقي أكثر موثوقية.

نظم قلبية مختلفة، مخاطر مختلفة

ليست كل نظمات القلب متشابهة. الرجفان الأذيني (AF) هو نظم غير منتظم وغالبًا سريع في حجرات القلب العليا يزيد كثيرًا من خطر السكتة وفشل القلب. فشل القلب الاحتقاني (CHF) هو حالة مزمنة لا يستطيع فيها القلب ضخ كمية كافية من الدم، مما يؤدي إلى التعب وتراكم السوائل وإذا تُرك دون علاج قد يسبب الوفاة. على النقيض من ذلك، النظم الجيبي الطبيعي (NSR) هو الإيقاع المنتظم الذي ينتجه منظم ضربات القلب الطبيعي. يركز المؤلفون على سؤالين عمليين: هل يمكن للحاسوب التمييز بثقة بين AF وNSR، وبين CHF وNSR، مستخدمًا بيانات ECG فقط؟ حل هذه المسألة سيساعد على تشخيص مبكر، ومراقبة أقرب للمرضى عاليي المخاطر، واستجابات أسرع لإشارات التحذير المخفية.

تعليم الآلات قراءة نبضات القلب

يمكن أن تحتوي تسجيلات ECG الحديثة على ملايين نقاط البيانات لكل شخص. انتقاء الأنماط المفيدة يدويًا من هذا البحر من الأرقام يكاد يكون مستحيلاً. لذلك يبني الباحثون خط أنابيب متعدد المراحل للتعلم العميق. أولًا، يجمعون ثلاث مجموعات بيانات ECG معروفة من مستودع PhysioNet: تسجيلات AF وتسجيلات CHF وتسجيلات لأشخاص بنظم طبيعي. ثم يقطّعون هذه الإشارات الطويلة إلى مقاطع أقصر بحيث يمكن للحاسوب تحليلها بكفاءة. بعد ذلك، يستخدمون نوعًا من الشبكات العصبية يسمى شبكة الكبسولة (Capsule Network) لضغط كل مقطع إلى مجموعة أصغر من الأرقام مع الحفاظ على الشكل والهيكل العام لنبضة القلب. تظهر الاختبارات الإحصائية أن هذه الخطوة تفصل النظم المريضة عن الطبيعية أفضل من طرق التخفيض القياسية مثل تحليل المركبات الرئيسية.

البحث عن أدق دلائل الإشارة

حتى بعد الضغط، لا تزال العديد من ميزات مقاطع ECG زائدة أو ضعيفة الصلة بالمرض. للتركيز على ما يهم، يطبّق الفريق عدة شبكات عصبية قوية من نوع صورة — EfficientNet B3 وResNet152 وDenseNet201 وVGG19 — كمرشحات ذكية. صُممت هذه الشبكات في الأصل للتعرف على الكائنات في الصور؛ هنا يُعاد توظيفها لترتيب أي ميزات ECG تميّز AF وCHF والنبضات الطبيعية بشكل أفضل. من بينها تبرز EfficientNet B3. فهي توازن بين عمق الشبكة وعرضها لتُظهر فقط الأنماط الأكثر معلوماتية، وتنتج باستمرار ميزات مرتبطة بالتصنيفات المرضية وبانفصال أفضل بين النظم الصحية وغير الصحية.

الانصات للإيقاع عبر الزمن

بما أن إشارات القلب تتكشف كسلاسل زمنية، يُتخذ القرار النهائي عبر نموذج جيد في التعلم من البيانات المرتبة: شبكة الذاكرة طويلة المدى ثنائية الاتجاه، أو BiLSTM. هذا النموذج «ينصت» لكل مقطع في الاتجاهين الأمامي والخلفي، ملتقطًا علاقات زمنية دقيقة قد تشير إلى اضطراب النظم. لاستخراج أداء إضافي، يضبط المؤلفون العديد من الإعدادات الداخلية لهذا النموذج باستخدام استراتيجية يسمونها آدم العشوائي (Randomized Adam أو RanA)، التي تضخ عشوائية محكومة في عملية التعلم. يساعد ذلك النظام على تجنب الوقوع في حلول ضعيفة ويحسن قدرته على التعميم لمرضى جدد. يختبر الباحثون الإعداد الكامل بشكل صارم باستخدام تحقق متقاطع بعشر طيات وتقسيم تدريب‑اختبار بنسبة 70/30.

ما مدى فاعليته في الممارسة؟

بعد التحسين، يحقق النظام المركب EfficientNet B3 + BiLSTM + RanA أداءً لافتًا. يميز AF عن النظم الطبيعي بدقة 99.48%، وCHF عن النظم الطبيعي بدقة 99.32% — وهو أداء أفضل قليلًا أو مماثل لأفضل النتائج المبلّغ عنها في دراسات سابقة. المقاييس المهمة لبيانات طبية غير متوازنة، مثل درجة F1 ومعامل ارتباط ماثيو ومنطقة تحت منحنى ROC، كلها قريبة جدًا من القيم المثالية. وفي الوقت نفسه، يعالج النموذج كل مقطع ECG في غضون بضع ملليثواني فقط ويستخدم عددًا معتدلاً من المعاملات، مما يشير إلى إمكانية تشغيله على أجهزة قابلة للارتداء أو شاشات بجانب السرير في المستقبل. ويشير المؤلفون إلى أن توسيع النهج ليشمل اضطرابات نظم متعددة، والتعامل مع إشارات أكثر ضوضاءً، وتقليل التعقيد الحسابي أكثر هي خطوات رئيسية لاحقة.

ما معنى ذلك للمرضى والأطباء

بالنسبة لغير المتخصص، الرسالة الأساسية بسيطة: تُظهر هذه الدراسة أن نظامًا مُصممًا بعناية للتعلّم العميق يمكن أن يعمل كـ«زوج ثانٍ من العيون» على بيانات ECG بدقة فائقة. من خلال فصل النظم غير المنتظمة الخطرة وعلامات فشل القلب عن النبضات الطبيعية تلقائيًا، وبشكل شبه آني، يمكن لمثل هذه الأدوات تنبيه الأطباء مبكرًا، ودعم المراقبة المنزلية المستمرة، وتقليل احتمال تجاهل مشكلة صامتة لكنها خطيرة. ومع الحاجة لمزيد من التحقق في سياقات عالمية أوسع، تشير الدراسة إلى مستقبل تُمسك فيه خوارزميات متقدمة بعمق نبضات قلوبنا في الخلفية، مانحة المرضى والأطباء تحذيرات أبكر وطمأنينة أكبر.

الاستشهاد: Manivannan, G.S., Talawar, S.V., Vasundhara, M.G. et al. An efficient deep CNN based BiLSTM framework with RanA optimization for accurate cardiac arrhythmia detection. Sci Rep 16, 7156 (2026). https://doi.org/10.1038/s41598-026-38227-x

الكلمات المفتاحية: اضطراب نظم القلب, تخطيط كهربائية القلب, التعلّم العميق, الرجفان الأذيني, فشل القلب