MM-GradCAM: שיטת GradCAM מולטימודל משופרת עם נתוני ECG חד־ממדיים ושני־ממדיים לגילוי הפרעות קצב

מדוע המחקר על הלב הזה חשוב עבורכם

דפיקות לב לא סדירות, המכונות הפרעות קצב, עלולות להוביל להתעלפות, לשבץ או למוות פתאומי, ובכל זאת לעתים קרובות אין להן סימני אזהרה עד שיהיה מאוחר מדי. רופאים נשענים על אלקטרוקרדיוגרמות (ECG) — הקווים המחודדים המוכרים העוקבים אחרי פעילות הלב — כדי לזהות בעיות. בשנים האחרונות תוכנות מחשב הפכו למיומנות בקריאת המעקבים האלה, לעיתים ברמה התחרותית עם מומחים. אך בדרך כלל הן פועלות כמו תיבה סגורה: הן מספקות תשובה מבלי להראות כיצד הגיעו אליה. מחקר זה מציג דרך חדשה להעניק יותר שקיפות לכלים החזקים האלה, ועוזר לרופאים לראות בדיוק אילו חלקים ב‑ECG של המטופל הובילו להחלטת המחשב.

הסתכלות פנימה לתוך התיבה השחורה

מערכות בינה מלאכותית רפואיות רבות מודרניות משתמשות בלמידה עמוקה, טכניקה שמגלה דפוסים בנתונים באופן אוטומטי במקום להישען על חוקים שנוצרו ביד. בעוד שעיבוי זה לרוב משפר דיוק, הוא גם מסתיר את תהליך ההיסק, דבר מה שמטריד כשחיי אדם בסכנה. כדי לבנות אמון פנו החוקרים לשיטות של "בינה מוסברת" שמדגישות אזורים בתמונה או באות שבאמת השפיעו על שיקול הדעת של המודל. אחד הכלים הנפוצים ביותר לכך נקרא Grad‑CAM, היוצר מפות חום — שכבות צבע המדגישות לאן האלגוריתם כיוון את תשומת הלב. עד כה, עם זאת, ההסברים האלה היו בדרך כלל מוגבלים לסוג קלט יחיד, כמו אות ECG גולמי או תמונה, אך לא לשניהם יחד.

שתי נקודות מבט על אותו פעימת לב

בעבודה זו התמקדו המחברים בערוץ ECG יחיד שנטל שימוש רב, המכונה Lead II, שנשא מאגר ציבורי גדול של יותר מ‑10,000 מטופלים. כל הקלט של עשר שניות טופל בשתי דרכים שונות. קודם כל, הוא נשמר בצורתו החד־ממדית המקורית — קו פשוט המעקוב אחר מתח לאורך זמן. שנית, הוא הומר לתמונה בגווני אפור — למעשה רצועת ECG מתוארת שנשמרה כקובץ תמונה. לכל צורה בנו החוקרים מודל למידה עמוקה מתאים המבוסס על רשת קונבולוציה בת 17 שכבות, ארכיטקטורה נפוצה לזיהוי תבניות. רשת אחת למדה מהאות 1D, השנייה מהתמונה 2D, ושתיהן הודרכו למיין פעימות לתוך ארבע קבוצות קצב: קצב תקין, קצב איטי, קבוצה של קצבים מהירים, וקצבים הקשורים לפרפור עליות.

שילוב שני הסברים לאחד

לאחר האימון יישמו החוקרים Grad‑CAM בנפרד על המודלים המבוססים אות ועל אלו המבוססים תמונה. עבור המודל 1D הפיקו מקטעים מצוירים בצבעים על קו ה‑ECG שם הרשת התמקדה ביותר. עבור מודל התמונה יצרו מפות חום המדגישות אזורי חום בתמונת ה‑ECG. השיטה החדשה, שנקראת MM‑GradCAM (Grad‑CAM מולטימודלי), יישרה את שתי התצוגות בזמן ובמרחב ואיחדה אותן להסבר יחיד. המפה המאוחדת הזו מציגה, על רצועת ECG משולבת אחת, הן את הרמזים של סדרת הזמן והן את הדפוסים המבוססים‑תמונה שהניעו את החלטת ה‑AI. קרדיולוג בדק דוגמאות רבות והשווה את האזורים המודגשים עם תכונות ידועות של קצבים שונים, כגון היעדר גלי P בפרפור עליות או פעימות מהירות מאוד סדירות בחלק מהקצבים המהירים.

כמה טוב המערכת קוראת את פעימת הלב

על מטופלים שלא נראו במהלך האימון, מודל התמונה סיווג קצבים נכון בכ‑97% בערך, בעוד שמודל האות הגיע למשכיות דיוק של כ‑93%. הביצועים השתנו לפי סוג הקצב, כאשר מודל התמונה בדרך כלל הציג תוצאות טובות יותר, במיוחד עבור דפוסים מורכבים או דקים יותר. במקביל, מפות ה‑MM‑GradCAM המאוחדות הראו שכל תצוגה מוסיפה משהו שונה. בחלק מהמטופלים עם פרפור עליות, ההסבר מבוסס האות הפסיד אזורים מרכזיים, בעוד שמפת התמונה התמקדה נכון במגזרים בהם צורות הגל הרגילות נעדרו. במקרים אחרים, כמו קצבים מהירים מסוימים, מפת האות סיפקה תמונה ברורה יותר ובהתאם סבירה קלינית. על ידי הצגת שניהם יחד, MM‑GradCAM חשפה חוזקות וחולשות שהיו בלתי נראות אילו נעשה שימוש בצורת קלט אחת בלבד.

מה זה אומר לטיפול בלב בעתיד

המסר המרכזי של המחקר הוא לא רק שמחשב יכול לזהות קצבי לב לא תקינים בדיוק רב — מערכות רבות כבר מסוגלות לכך — אלא שניתן כעת להפוך את תהליך ההיסק שלהן לברור יותר למומחים אנושיים. על ידי שילוב הסברים מבוססי אות ומבוססי תמונה לתצוגה קוהרנטית אחת, MM‑GradCAM נותנת לקרדיולוגים דרך לבדוק האם ה‑AI "מביט" בחלקים רפואיים משמעותיים של ה‑ECG. זה יכול לשפר את האמון, לעזור לאתר שגיאות ואף לשמש ככלי הוראה ללומדים המתאמנים בקריאת קצבים מורכבים. למרות שהשיטה עדיין צריכה להיבדק על קבוצות מטופלים מגוונות יותר ובזרימות עבודה קליניות אמיתיות, היא מצביעה על עתיד שבו כלי AI חזקים לא רק מספקים תשובות, אלא גם מראים באופן ברור את אופן עבודתם.

ציטוט: Murat Duranay, F., Murat, E., Yıldırım, Ö. et al. MM-GradCAM: an improved multimodal GradCAM method with 1D and 2D ECG data for detection of cardiac arrhythmia. Sci Rep 16, 7919 (2026). https://doi.org/10.1038/s41598-026-38654-w

מילות מפתח: הפרעת קצב לב, אלקטרוקרדיוגרם, למידה עמוקה, בינה מוסברת, Grad-CAM