הערכה השוואתית של מודלים ללמידה עמוקה לאבחון וסיווג מחלות לב וכלי דם

מדוע בדיקות לב חכמות חשובות

מחלות לב נותרות ההורג המוביל בעולם, אך האיתותים שמתריעים על בעיה מוחבאים לעתים בגלים זעירים של אלקטרוקרדיוגרם (ECG). רופאים יכולים לקרוא את המעקבים האלה, אך קריאתם בעין היא איטית, מתישה ורגישה לטעויות—בייחוד כאשר אלפי פעימות לב זורמות ממוניטורי בית חולים או ממכשירים נישאים. המחקר הזה בוחן האם אינטליגנציה מלאכותית יכולה לא רק להתאים לביצועי מומחים בקריאת ECG, אלא גם לעשות זאת בדרישות חישוב נמוכות כל כך שהיא תוכל לפעול בזמן אמת על מחשבים קליניים שגרתיים ואפילו על מכשירים קומפקטיים.

קריאת פעימת הלב בעידן הדיגיטלי

מחלות לב וכלי דם כוללות מגוון רחב של בעיות, מהתקפי לב וכשל לבבי ועד הפרעות קצב ופגמי מסתמים. יחד, הן גורמות לכמובן שליש מהתמותה העולמית. ECG הוא אחד הכלים הזולים ונפוצים ביותר ברפואה לזיהוי מוקדם של מצבים אלה, כיוון שהוא מקליט בזמן אמת את הפעילות החשמלית של הלב. עם זאת, מערכת הבריאות המודרנית מייצרת כיום יותר נתוני ECG ממה שמומחים אנושיים יכולים לעיין בנוחות. המחברים טוענים שנדרשים מערכות מחשב חכמות כדי לסנן את שיטפון האותות הזה, להצביע על סימני אזהרה מוקדמים ולתמוך ברופאים מבלי להחליפם.

להכשיר מכונות לזהות לב חולה

החוקרים נעזרו באוסף ECG ציבורי הידוע כ־PTB-ECG, שמכיל הקלטות מ־290 איש בגילאי 17 עד 87 עם מגוון מצבים לבביים. כל רשומה מקושרת למידע קליני מפורט, וה־ECG מסווגים לשמונה קבוצות מחלה, כגון התקף לב, כשל לב, בעיות קצב ומחלת מסתמים, לצד מקרים בריאים. במקום להמיר את האותות לתמונות, הצוות הזין את גלי ה־ECG ישירות למספר סוגי מודלי למידה עמוקה, לרבות רשתות קונבולוציה, רשתות מבוססות זיכרון והיברידים שמחברים בין החוזקות הללו. כל המודלים עמדו בפני אותה משימה: להחליט, מתוך תבנית החשמל בלבד, אילו סוגי בעיות לב סביר שיש לחולה.

להפוך מודלים חזקים לקלים מספיק לניידות

אתגר מרכזי לא היה רק דיוק, אלא גם שימור קלילות. מודלים רבים בעלי ביצועים גבוהים דורשים כוח חישוב כבד, שאינו מעשי למוניטורי מיטה, אמבולנסים או מכשירים נישאים. כדי לצמצם את העומס, המחברים תחילה ניקו את ה־ECG, סיננו נדידות אטיות ורעשים והורידו את קצב הדגימה. אחר כך השתמשו בטכניקה מתמטית בשם טרנספורמציית ויילט כדי לדחוס כל פעימת לב לתכונות מספריות קומפקטיות שמצד שני שומרות על פרטים חשובים. הם גם תיקנו חוסר איזון בנתונים—כאשר מחלות מסוימות היו נדירות יותר—על ידי יצירת דוגמאות מסונתזות בקפידה של מצבים בתת־ייצוג בערכת האימון. השילוב של ניקוי האות, חילוץ תכונות חכם ואיזון נתונים איפשר למודלים לעבוד עם קלט קטן הרבה יותר אך מידעתי.

איזה קורא דיגיטלי הצטיין?

הצוות השווה בין חמש משפחות מודלים: רשת קונבולוציה מכויילת לאותות חד־ממדיים, פרספטרון רב־שכבות קלאסי, רשת LSTM (זיכרון קצר־טווח ארוך) שמתמחה ברצפים זמניים, ושני היברידים שמחברים שכבות קונבולוציה לפרספטרון או ל־LSTM. הם דרגו כל גישה באמצעות מדדים מוכרים כגון דיוק, דיוק חיובי (precision), זכירה (recall) וציון F1, ובצורה מרכזית גם לפי כמות הפעולות המתמטיות שהמודל דרש לכל קלט. כל המודלים הגיעו לדיוק מאוד גבוה—מעל 99%—אבל ה־LSTM בלט. הוא שילב דיוק כמעט מושלם בזיהוי לבבות חולים עם העומס החישובי הנמוך ביותר מבין המתמודדים, והראה שעקיבה אחרי התפתחות פעימת הלב בזמן יכולה להיות גם חכמה וגם יעילה.

מה המשמעות לטיפול השוטף

באופן פשוט, המחקר מראה כי מערכת בינה מלאכותית שעוצבה בקפידה יכולה לקרוא ECG באמינות יוצאת דופן מבלי להיות צרכנית כוח-חישוב. על ידי הקטנת החישובים הנחוצים בשלושה סדרי גודל, המחברים מדגימים שאלגוריתמים מהירים וידידותיים לסוללה עדיין יכולים ללכוד את החתימות המדויקות של מחלות לב שונות. מבין כולם, המודל המבוסס LSTM הציע את האיזון הטוב ביותר בין חשיבה לכוח, מה שהופך אותו למועמד חזק לשימוש במוניטורינג בזמן אמת בבתי חולים, בסורקי כבידה ניידים ובמדבקות לב נישאות. עם בדיקות נוספות על קבוצות חולים גדולות ומגוונות יותר, כלים רזים אך מדויקים כאלה עשויים לסייע להפיץ סינון לב ברמת מומחה ליותר מרפאות, אמבולנסים ובתים ברחבי העולם.

ציטוט: 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

מילות מפתח: מחלות לב וכלי דם, אלקטרוקרדיוגרם, למידה עמוקה, אבחון רפואי, בריאות נישאת