Wspólna architektura CNN‑Bi‑LSTM‑transformer ze wyjaśnieniami SHAP do wykrywania wieloetykietowych arytmii z 12‑odprowadzeniowego EKG

Dlaczego skanowanie rytmu serca ma znaczenie dla wszystkich

Problemy z rytmem serca, czyli arytmie, są jedną z głównych przyczyn nagłej śmierci sercowej, a główne badanie służące do ich wykrywania — 12‑odprowadzeniowy elektrokardiogram (EKG) — wciąż w dużej mierze opiera się na pracy czasowo ograniczonych ekspertów. W tym badaniu przedstawiono system sztucznej inteligencji, który potrafi jednocześnie przeskanować standardowe EKG pod kątem wielu różnych zaburzeń rytmu, wyjaśnić swoje ustalenia w terminach zrozumiałych dla lekarzy i działać na tyle szybko, by zmieścić się w urządzeniach noszonych lub platformach telemedycznych. Dla pacjentów może to oznaczać wcześniejsze ostrzeżenia przed niebezpiecznymi rytmami; dla klinicystów — niestrudzonego asystenta, który nie tylko sygnalizuje problemy, ale też pokazuje, dlaczego to zrobił.

Słuchanie serca wieloma uszami

12‑odprowadzeniowe EKG rejestruje aktywność elektryczną serca z wielu punktów widzenia za pomocą elektrod umieszczonych na klatce piersiowej i kończynach. Każde uderzenie serca daje charakterystyczny wzór fal, który ujawnia, jak sygnały przemieszczają się przez jamy serca. Niewielkie zniekształcenia tych wzorców mogą sygnalizować stany od nieszkodliwych wariantów po zagrażające życiu zaburzenia. Interpretacja tych subtelnych zmian w wielu odprowadzeniach i na długich zapisach jest wymagająca, a oceny ludzkie mogą różnić się między ekspertami. Jednocześnie nowoczesna opieka coraz częściej opiera się na ciągłym monitorowaniu w szpitalach, w domu i w urządzeniach noszonych, co generuje więcej danych, niż klinicyści są w stanie realistycznie przejrzeć wzrokowo.

Nauka cyfrowego asystenta czytania złożonych sygnałów sercowych

Badacze zbudowali model uczenia głębokiego, który jako wejście przyjmuje surowe fragmenty 12‑odprowadzeniowego EKG i uczy się rozpoznawać 27 klinicznie istotnych zaburzeń rytmu i przewodzenia. Najpierw wstępnie przetworzyli ponad 43 000 nagrań oznaczonych przez ekspertów z dużego zbioru PhysioNet/Computing in Cardiology 2020. Sygnały z różnych szpitali miały różne częstotliwości próbkowania i zawierały zakłócenia, brakujące wartości oraz sporadyczne wartości odstające. Zespół przeskalował wszystkie EKG do wspólnej częstotliwości, usunął dryf linii podstawowej i zakłócenia elektryczne, uzupełnił luki przy użyciu statystycznie uzasadnionych reguł i podzielił dane na nakładające się cztero‑sekundowe okna. Ta długość okna okazała się wystarczająca, by uchwycić kluczowe wzorce rytmu, a jednocześnie krótka i wydajna dla analizy w czasie rzeczywistym.

Jak warstwowy model widzi przestrzeń, czas i kontekst

Rdzeń systemu stanowi łańcuch trzech komplementarnych modułów sieci neuronowych. Warstwy konwolucyjne działają jako detektory wzorców, skanując każde odprowadzenie EKG w poszukiwaniu kształtów takich jak ostre igły, poszerzone zespoły QRS czy zniekształcone odcinki. Następnie dwukierunkowe warstwy LSTM śledzą, jak te cechy ewoluują w czasie, efektywnie obserwując rytm zarówno do przodu, jak i do tyłu, by uchwycić nieregularne odstępy i przejścia między uderzeniami. Na końcu blok transformera stosuje mechanizm uwagi, który potrafi skupić się na odległych, lecz powiązanych fragmentach sygnału we wszystkich odprowadzeniach jednocześnie, wyszukując połączeń mogących wskazywać nakładające się stany. Razem te warstwy przekształcają każde krótkie okno EKG w zwartą reprezentację, z której sieć oszacowuje obecność każdej z 27 kategorii arytmii i zaburzeń przewodzenia w trybie wieloetykietowym.

Otwarcie czarnej skrzynki za pomocą znaczących wyróżnień

Aby uczynić decyzje systemu zrozumiałymi, autorzy zintegrowali technikę zwaną SHAP, która oblicza, w jakim stopniu każda część EKG przyczyniła się do konkretnej predykcji. Po treningu użyli SHAP do wygenerowania wizualnych „map ważności”, które wyróżniają konkretne segmenty fal i odprowadzenia, na których model opierał swoje decyzje w danym przypadku. Mapy te często pokrywały się ze standardowym rozumowaniem kardiologicznym: na przykład system podkreślał brak załamków P i nieregularne odstępy między uderzeniami przy rozpoznawaniu migotania przedsionków, albo poszerzone zespoły QRS i przerwy kompensacyjne przy rozpoznawaniu przedwczesnych pobudzeń komorowych. Ta zgodność sugeruje, że SI nie tyle zapamiętuje wzorce, co skupia się na tych samych fizjologicznych wskazówkach, których używają eksperci ludzie.

Wydajność w rzeczywistym świecie i obietnica na przyszłość

Na niezależnej grupie testowej pacjentów model prawidłowo klasyfikował rytmy z łączną skutecznością około 91% i zachowywał dobrą równowagę między wykrywaniem prawdziwych problemów a unikaniem fałszywych alarmów zarówno dla powszechnych, jak i rzadkich stanów. Dla niebezpiecznych arytmii, takich jak przedwczesne pobudzenia komorowe i migotanie przedsionków, jego zdolność do rozróżnienia nieprawidłowego od prawidłowego była wyjątkowo wysoka. Co znamienne, cały model zajmuje mniej niż dwa megabajty pamięci i potrafi przeanalizować okno EKG w czasie poniżej dziesięciu milisekund, co czyni go odpowiednim do wdrożeń w monitorach przyłóżkowych, rejestratorach ambulatoryjnych czy nawet inteligentnych urządzeniach noszonych. Mówiąc wprost, ta praca pokazuje, że kompaktowa, wyjaśnialna SI może pomóc w odczycie standardowych EKG dla szerokiego zakresu zaburzeń rytmu serca, oferując klinicystom jasne wizualne uzasadnienia i torując drogę do bezpieczniejszego, bardziej dostępnego monitorowania serca.

Cytowanie: 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

Słowa kluczowe: elektrokardiogram, arytmia serca, uczenie głębokie, wyjaśnialna sztuczna inteligencja, monitorowanie serca