تصنيف ECG موثوق باستخدام نماذج هجينة متوازية مع موارد محدودة

لماذا تهم فحوصات القلب الأذكى

قد تظهر اضطرابات نظم القلب دون سابق إنذار، مما يؤدي إلى سكتات دماغية أو فشل قلبي أو توقف قلبي مفاجئ. يعتمد الأطباء على تخطيط القلب الكهربائي (ECG) لرصد هذه المخاطر مبكراً، لكن قراءة آلاف دقات القلب بالعين المجردة أو بأدوات حاسوبية تقليدية تستغرق وقتًا طويلاً وتتعرض للخطأ. يمكن للأنظمة القوية للذكاء الاصطناعي أن تساعد، لكنها عادةً تحتاج إلى أجهزة مكلفة وغالبًا ما تعمل كصناديق سوداء. تعرض هذه الدراسة طريقة جديدة لقراءة ECG تكون خفيفة بما يكفي للأجهزة القابلة للارتداء وشفافة بما يكفي لإظهار مدى الثقة في كل قرار.

مخاطر قلبية كبيرة وأدوات محدودة

تقتل أمراض القلب والأوعية الدموية ما يقرب من 20 مليون شخص حول العالم سنويًا، وتعد اضطرابات نظم القلب أو الرجفان سببًا رئيسيًا. يُعد ECG اختبارًا بسيطًا ومنخفض التكلفة يسجل النشاط الكهربائي للقلب ويمكن أن يكشف عن هذه المشكلات النظمية قبل ظهور الأعراض بوقت طويل. تاريخياً، كان الأطباء أو برامج قائمة على قواعد يحللون أشكال ECG يدويًا، معلمين النقاط المميزة ومدخلين أرقامًا مختارة يدويًا في خوارزميات تقليدية. كانت هذه الخطوات مستهلكة للوقت، وتحتاج لخبرة متخصصة، وتميل إلى الفشل عندما تكون الإشارات ضوضائية أو غير مألوفة، مما يترك هامشًا خطيرًا للتشخيص المفقود أو الخاطئ.

عندما يكون التعلم العميق ثقيلاً للغاية

غيّر التعلم العميق تحليل ECG بتمكين الشبكات العصبية من تعلم الأنماط مباشرة من الإشارات الخام، وفي بعض الحالات مضاهاة أطباء القلب في اكتشاف اضطراب النظم. ومع ذلك، فإن النماذج ذات الأداء العالي مثل الشبكات الالتفافية الكبيرة وأنظمة المحولات تحتاج إلى موارد حسابية كبيرة. تعمل جيدًا في المستشفيات الكبيرة ذات الخوادم القوية، لكنها صعبة النشر في الأجهزة القابلة للارتداء ذات البطاريات أو حواسب العيادات البسيطة أو البيئات الريفية. والأسوأ أن هذه الأنظمة المعقدة قد ترتكب أخطاء واثقة من نفسها، ونادرًا ما تخبر الأطباء بمدى موثوقية أي تنبؤ. لم يزدهر المجال بأساليب تجمع بين الكفاءة والتركيز الصريح على الموثوقية.

فريق من النماذج الصغيرة يعمل بالتوازي

يقترح المؤلفون نموذجًا هجينيًا متوازيًا (PHM) يعالج هذه المقايضات عبر دمج ثلاث شبكات عصبية صغيرة وسريعة بدلًا من الاعتماد على نموذج ضخم واحد. كل من المكونات الثلاثة—نسخ من EfficientNet وSequentialNet والنسخة الكلاسيكية LeNet‑5—تحلل نفس مقطع ECG القصير بالتوازي. تلتقط هذه المقاطع، المأخوذة من قاعدة بيانات MIT‑BIH Arrhythmia واسعة الاستخدام، نبضة قلب واحدة بالإضافة إلى السياق المحيط. بعد المعالجة المسبقة لمحاذاة وتطبيع النبضات، تنتج كل شبكة مجموعة احتمالات لأنواع خمسة من نبضات القلب: طبيعية وأربع فئات من النظم غير الطبيعي.

كيف يقيّم النموذج حكمه الخاص

بدلاً من التصويت بالأغلبية ببساطة، يستخدم PHM مخطط تصويت ناعم موزون. تُعطى الشبكات التي أظهرت دقة أعلى قليلاً أثناء التدريب تأثيرًا أكبر نسبيًا عندما تختلف آراؤها. كما يقدم النظام فكرة غير معتادة في الذكاء الاصطناعي الطبي: مناطق الموثوقية. عندما تتفق الشبكات الثلاث جميعها مع التصنيف الحقيقي، يقع القرار في منطقة القرار الصحيح. عندما تتفق جميعها لكنها خاطئة، يدخل القرار منطقة التصنيف الخاطئ. وعندما تختلف عن بعضها البعض، ينتقل الحال إلى منطقة القرار الخاطئ الجزئي، حيث تحل آلية التصويت الموزون التعارض. من خلال تتبع عدد الحالات في كل منطقة، يحصل الأطباء على إحساس رقمي واضح بعدد المرات التي يكون فيها النظام إجماعيًا، مترددًا، أو مخطئًا جماعيًا.

أداء يتسع في جيبك

على أكثر من 100,000 نبضة من قاعدة بيانات MIT‑BIH، حقق PHM دقة كلية بلغت 98.46 في المئة—أعلى قليلاً من أي من أعضائه الفرديين ومنافسًا لنماذج أكبر بكثير. أداءه كان جيدًا بشكل خاص على الاضطرابات النادرة ولكن ذات الأهمية السريرية، وهي نقطة ضعف شائعة للأنظمة الآلية المدربة على بيانات غير متوازنة. في الوقت نفسه، يستخدم التجميع بأكمله نحو 200,000 معلمة قابلة للتعديل فقط، ويمكنه تصنيف نبضة في أجزاء من الثانية على أجهزة متواضعة. أكدت الاختبارات على حاسوب أحادي اللوحة صغير مشابه لتلك المستخدمة في الأجهزة القابلة للارتداء أن مثل هذا التشغيل في الزمن الحقيقي ممكن وباستهلاك طاقة منخفض.

ماذا يعني هذا للمرضى والأطباء

بالنسبة لغير المتخصصين، الرسالة الأساسية هي أن هذا العمل يقرب تحليل نظم القلب الآلي إلى أجهزة يمكن ارتداؤها على المعصم أو الصدر، حتى في أماكن بعيدة عن المستشفيات الكبرى. عبر مزج ثلاث نماذج بسيطة بعناية وقياس عدد المرات التي تتفق فيها صراحة، يقدم PHM دقة قوية وشعورًا مدمجًا بالثقة. لا يتلقى الأطباء تنبيهات سريعة فقط حول النظم الخطرة، بل يمكنهم أيضًا رؤية متى يكون النظام على أرض صلبة أو يدخل منطقة أكثر شكًا. قد يجعل هذا المزيج من السرعة والكفاءة والشفافية فحص ECG المدعوم بالذكاء الاصطناعي أكثر أمانًا وتوافرًا على نطاق أوسع، مما قد يكشف اضطرابات مناعية مهددة للحياة في وقت أبكر ويحسن نتائج المرضى حول العالم.

الاستشهاد: Alyahya, S., Malik, A.N., Amir, M. et al. Reliable ECG classification using parallel hybrid models with limited resources. Sci Rep 16, 11762 (2026). https://doi.org/10.1038/s41598-026-41370-0

الكلمات المفتاحية: كشف اضطراب نظم القلب عبر ECG, مراقبة القلب القابلة للارتداء, تعلم عميق خفيف الوزن, شبكات عصبية مجمعة, موثوقية الذكاء الاصطناعي الطبي