ארכיטקטורה משולבת CNN-Bi-LSTM-Transformer עם הסברים מבוססי SHAP לזיהוי רב־תוויתי של הפרעות קצב מ-ECG ב-12 אלקטרודות

מדוע סריקת קצב הלב חשובה לכולם

בעיות בקצב הלב, או הפרעות קצב, הן סיבה מרכזית למוות לבבי פתאומי, ובכל זאת המבחן העיקרי לזיהוין — אלקטרוקרדיוגרם ב-12 עופרות (ECG) — עדיין מסתמך במידה רבה על מומחים אנושיים לחוצים בזמן. מחקר זה מציג מערכת בינה מלאכותית היכולה לסרוק ECG סטנדרטיים עבור מגוון רחב של הפרעות קצב בו־זמנית, להסביר את ממצאיה במונחים שהרופאים מבינים, ולרוץ במהירות מספקת כדי להשתלב במכשירי לב לבישים או בפלטפורמות רפואה מרחוק. עבור המטופלים, משמעות הדבר יכולה להיות התרעה מוקדמת על קצבים מסוכנים; עבור המטפלים, זה מבטיח עוזר בלתי מתעייף אשר לא רק מסמן בעיות, אלא גם מראה מדוע.

להאזין ללב עם אוזניים מרובות

ECG ב-12 עופרות קולט את הפעילות החשמלית של הלב מנקודות מבט מרובות באמצעות אלקטרודות על החזה והגפיים. כל פעימת לב יוצרת דפוס גל ייחודי החושף כיצד האותות עוברים בחדרי הלב. עיוותים קטנים בדפוסים אלה יכולים להעיד על מצבים הנעים ממשונויות חסרות סכנה ועד להפרעות מסכנות חיים. פירוש שינויים עדינים אלו לאורך עופרות רבות ובמהלך הקלטות ארוכות הוא משימה תובענית, וקריאות אנושיות עשויות להשתנות ממומחה למומחה. במקביל, הטיפול המודרני נשען יותר ויותר על ניטור רציף בבתי חולים, בבית ובמכשירים לבישים, מה שיוצר יותר נתונים ממה שרופאים יכולים לעיין בהם באופן ריאלי בעין.

להכשיר עוזר דיגיטלי לקרוא אותות לב מורכבים

החוקרים בנו מודל למידה עמוקה המקבל קטעי ECG גולמיים של 12 עופרות כקלט ולומד לזהות 27 הפרעות ריתמיות והולכת חשובות קלינית. ראשית, הם קידמו עיבוד של למעלה מ-43,000 הקלטות מתוייגות על ידי מומחים מתוך מאגר PhysioNet/Computing in Cardiology 2020. אותות מבתי חולים שונים השתנו בקצב דגימה וכללו רעש, ערכים חסרים ולעתים חריגים. הצוות ביצע דגימה מחדש של כל ה-ECG לקצב משותף, הסיר סטיית בסיס והפרעות חשמליות, מילא פערים באמצעות כללים סטטיסטיים ראויים ופיצל את הנתונים לחלונות חופפים של ארבע שניות. אורך חלון זה הוכח כארוך דיו כדי ללכוד דפוסי קצב מרכזיים ובו־זמנית קצר ויעיל לניתוח בזמן אמת.

כיצד המודל הרב־שכבתי רואה מרחב, זמן וקונטקסט

ליבת המערכת היא שרשרת של שלושה מודולים משלים של רשתות נוירוניות. שכבות קונבולוציה פועלות כגלאי דפוסים, סורקות כל עופרת ECG לצורות כגון קמיצים חדים, קומפלקסים מורחבים או מקטעים מעוותים. אחר כך, שכבות LSTM דו־כיווניות עוקבות כיצד התכונות הללו משתנות לאורך הזמן, צופות בפועל את הקצב קדימה ואחורה כדי לתפוס מרווחים בלתי סדירים ומעברים בין פעימות. לבסוף, בלוק Transformer משתמש במכניזם תשומת לב (attention) היכול להתרכז בחתיכות אותות רחוקות אך קשורות בכל העופרות בבת אחת, ומייצר חיבורים שעשויים להעיד על מצבים חופפים. יחד השכבות הללו ממירות כל חלון ECG קצר לייצוג דחוס שממנו הרשת מעריכה את נוכחות כל אחת מ-27 קטגוריות ההפרעות וההולכה בסגנון רב־תוויתי.

לפתוח את הקופסה השחורה באמצעות הדגשות משמעותיות

כדי להנגיש את החלטות המערכת, המחברים שילבו טכניקה בשם SHAP, המחושבת כמה כל חלק ב-ECG תרם לחיזוי מסוים. לאחר האימון, השתמשו ב-SHAP ליצירת "מפות חשיבות" ויזואליות המדגישות מקטעי גל ועופרות ספציפיים שהמודל התבסס עליהם בכל מקרה. מפות אלה לעתים קרובות התאימו להיגיון הקרדיולוגי הסטנדרטי: לדוגמה, המערכת הדגישה היעדר גלי P ומרווחי פעימה בלתי סדירים כאשר זיהתה פרפור פרוזדורים, או קומפלקסים QRS מורחבים והפסקות פיצוי בעת זיהוי פעימות ונטрикולריות מוקדמות. התאמה זו מרמזת שה-AI אינו רק שומר בזיכרון דפוסים, אלא מתמקד באותות פיזיולוגיים אותנטיים שבהם משתמשים מומחי אדם.

ביצועים במציאות והבטחה לעתיד

בקבוצת מבחן עצמאית של חולים, המודל סיווג קצבים נכונה בדיוק כולל של כ-91%, ושמר על איזון חזק בין זיהוי בעיות אמיתיות והימנעות מאיתותים שווא עבור מצבים שכיחים ונדירים כאחד. עבור הפרעות קצב מסוכנות כגון פעימות ונטיקולריות מוקדמות ופרפור פרוזדורים, היכולת שלו להבחין בין חריג לנורמלי הייתה גבוהה מאד. באופן מרשים, המודל המלא תופס פחות משני מגהבייט של זיכרון ויכול לנתח חלון ECG בפחות מעשרה מילישניות, מה שהופך אותו מתאים לפריסה במוניטורים ליד המיטה, במקליטים אמבולטריים או אפילו במכשירים לבישים חכמים. במלים פשוטות, עבודה זו מראה שמערכת AI קומפקטית וניתנת להסבר יכולה לסייע בקריאת ECG סטנדרטיים עבור טווח רחב של הפרעות קצב, להציע לרופאים נימוקים חזותיים ברורים ולסלול דרך לניטור לב בטוח ונגיש יותר.

ציטוט: Al-Bairmani, M.T., Yazdchi, M. & Nasimi, F. A joint CNN-Bi-LSTM-transformer architecture with SHAP explanations for multi-label arrhythmia detection from 12-lead ECGs. Sci Rep 16, 11123 (2026). https://doi.org/10.1038/s41598-026-40925-5

מילות מפתח: אלקטרוקרדיוגרם, הפרעות קצב לב, למידה עמוקה, בינה מלאכותית ניתנת להסבר, מעקב קרדיאלי