تقييم مقارن لنماذج التعلم العميق لتشخيص وتصنيف أمراض القلب والأوعية الدموية

لماذا تهم فحوصات القلب الأذكى

لا تزال أمراض القلب القاتل الأكبر على مستوى العالم، لكن الإشارات التي تنبئ بالمشكلات غالباً ما تختبئ في تموجات دقيقة ضمن مخطط كهربية القلب (ECG). يمكن للأطباء قراءة هذه الأثر، ومع ذلك فإن القيام بذلك بالعين المجردة بطيء ومرهق ومعرض لفقدان تفاصيل—خاصة عندما تتدفّق آلاف دقات القلب من أجهزة المراقبة بالمستشفى أو الأجهزة القابلة للارتداء. تستكشف هذه الدراسة ما إذا كان الذكاء الاصطناعي يمكنه ليس فقط مضاهاة أداء الخبراء في قراءة مخططات كهربية القلب، بل وأن يفعل ذلك بمطالب حسابية منخفضة بحيث يمكنه العمل في الزمن الحقيقي على أجهزة السرير العيادي اليومية وحتى على أجهزة مدمجة.

قراءة نبض القلب في عصر رقمي

تشمل أمراض القلب والأوعية الدموية مجموعة واسعة من المشكلات، من النوبات القلبية وفشل القلب إلى اضطرابات النظم وعيوب الصمامات. مجتمعة، تتسبب بحوالي ثلث وفيات العالم. تُعدّ مخططات كهربية القلب من أرخص وأكثر أدوات الطب توافراً لاكتشاف هذه الحالات مبكراً، لأنها تسجّل النشاط الكهربائي للقلب في الزمن الحقيقي. ومع ذلك، تُنتج الرعاية الصحية الحديثة الآن بيانات مخططات كهربية قلب أكثر مما يمكن للخبراء البشريين مراجعته بشكل مريح. يجادل المؤلفون بضرورة وجود أنظمة حاسوبية ذكية لتصفية هذا الطوفان من الإشارات، وتسليط الضوء على علامات الإنذار المبكر، ودعم الأطباء دون أن تحلّ محلهم.

تعليم الآلات التعرف على القلوب المريضة

اتجه الباحثون إلى مجموعة مخططات كهربية قلب عامة تُعرف باسم مجموعة بيانات PTB-ECG، والتي تحتوي على تسجيلات من 290 شخصاً تتراوح أعمارهم بين 17 و87 مع مجموعة متنوعة من حالات القلب. يرتبط كل سجل بمعلومات سريرية مفصلة، وتصنَّف مخططات كهربية القلب إلى ثماني مجموعات مرضية، مثل النوبة القلبية، وفشل القلب، ومشكلات النظم، وأمراض الصمامات، إلى جانب حالات صحية طبيعية. بدلاً من تحويل الإشارات إلى صور، غذّت الفريق الأشكال الموجية لمخطط كهربية القلب مباشرةً إلى عدة أنواع من نماذج التعلم العميق، بما في ذلك الشبكات الالتفافية، والشبكات المعتمدة على الذاكرة، والأنماط الهجينة التي تجمع بين هاتين القوتين. واجهت جميع النماذج نفس المهمة: أن تقرر، من النمط الكهربائي وحده، أي نوع من مشكلات القلب يحتمل أن يعانيها المريض.

جعل النماذج القوية خفيفة بما يكفي للتشغيل المحمول

تمثّل تحدياً رئيسياً ألا يكون المراد الدقة فحسب، بل البقاء رشيقاً. تتطلب العديد من نماذج الذكاء الاصطناعي عالية الأداء قدرة حوسبة كبيرة، وهو أمر غير عملي لشاشات السرير أو سيارات الإسعاف أو الأجهزة القابلة للارتداء. لتقليل عبء الحوسبة، قام المؤلفون أولاً بتنظيف مخططات كهربية القلب، وإزالة الانجرافات البطيئة والضوضاء، وخفض معدل العينات. ثم استخدموا تقنية رياضية تُعرف بتحويل المويجات لتقطير كل دقة قلب إلى ميزات رقمية مدمجة لا تزال تحافظ على التفاصيل المهمة. كما صحّحوا عدم توازن البيانات—حيث كانت بعض الأمراض أقل شيوعاً من غيرها—بإنشاء أمثلة مُركَّبة بعناية للحالات الممثلة تمثيلاً ناقصاً في مجموعة التدريب. سمح هذا المزيج من تنظيف الإشارة، واستخلاص الميزات الذكي، وموازنة البيانات للنماذج بالعمل بمدخلات أصغر بكثير وأكثر إفادة.

أي قارئ رقمي كان الأفضل؟

قارن الفريق خمس عائلات من النماذج: شبكة التفافية مُعدّة لإشارات أحادية البعد، وشبكة عصبية متعددة الطبقات كلاسيكية (MLP)، وشبكة ذاكرة طويلة قصيرة الأمد (LSTM) متخصصة في المتتاليات الزمنية، وهجينان يوصلان طبقات التفافية إما إلى MLP أو إلى LSTM. قيّموا كل نهج باستخدام مقاييس مألوفة مثل الدقة والدقة الإيجابية والاستدعاء ومقياس F1، والأهم من ذلك، بعدّ عدد العمليات الحسابية التي يحتاجها النموذج لكل مدخل. وصلت جميع النماذج إلى دقة عالية جداً—فوق 99%—لكن تميّزت شبكة LSTM. جمعت بين دقة شبه كاملة في تحديد القلوب المريضة وأدنى حمل حسابي بين المتنافسين، مما أظهر أن تتبّع تطور نبضة القلب عبر الزمن يمكن أن يكون ذكياً وفعالاً في آن واحد.

ماذا يعني ذلك للرعاية اليومية

بعبارات بسيطة، تُظهر الدراسة أن نظام ذكاء اصطناعي مصمَّماً بعناية يمكنه قراءة مخططات كهربية القلب بموثوقية استثنائية من دون أن يكون حاسوباً ضخماً يستهلك الطاقة. من خلال تقليص العمليات الحسابية المطلوبة بمقدار ثلاث مراتب، يبيّن المؤلفون أن خوارزميات سريعة وموفّرة للطاقة يمكنها مع ذلك التقاط البصمات الدقيقة لمختلف أمراض القلب. من بينها، قدّم النموذج المعتمد على LSTM أفضل توازن بين الذكاء والاقتصاد، مما يجعله مرشحاً قوياً للاستخدام في المراقبة اللحظية بالمستشفيات، والماسحات المحمولة، ولاصقات القلب القابلة للارتداء. مع مزيد من الاختبارات على مجموعات مرضى أكبر وأكثر تنوعاً، قد تساعد مثل هذه الأدوات الرفيعة والدقيقة في تقديم فحوص قلب بمستوى خبير إلى مزيد من العيادات وسيارات الإسعاف والمنازل حول العالم.

الاستشهاد: Bhia, I., Soltanizadeh, S. & Shafik, W. Comparative evaluation of deep learning models for cardiovascular disease diagnosis and classification. Sci Rep 16, 12522 (2026). https://doi.org/10.1038/s41598-026-43543-3

الكلمات المفتاحية: أمراض القلب والأوعية الدموية, مخطط كهربية القلب, التعلم العميق, التشخيص الطبي, الأجهزة القابلة للارتداء الصحية