Porównawcza ocena modeli głębokiego uczenia do diagnostyki i klasyfikacji chorób sercowo-naczyniowych

Dlaczego inteligentniejsze badania serca mają znaczenie

Choroby serca wciąż pozostają główną przyczyną zgonów na świecie, jednak sygnały ostrzegawcze często ukrywają się w drobnych zawirowaniach elektrokardiogramu (EKG). Lekarze potrafią odczytywać te zapisy, lecz robione „na oko” jest powolne, męczące i podatne na przeoczenia — zwłaszcza gdy z monitorów szpitalnych lub urządzeń noszonych płynie tysiące uderzeń serca. W tym badaniu sprawdzono, czy sztuczna inteligencja może nie tylko dorównać ekspertom w czytaniu EKG, lecz zrobić to przy tak niskim zapotrzebowaniu obliczeniowym, że dałoby się ją uruchomić w czasie rzeczywistym na zwykłych maszynach klinicznych, a nawet kompaktowych gadżetach.

Odczytywanie bicia serca w erze cyfrowej

Choroby układu krążenia obejmują szeroki zakres schorzeń — od zawałów i niewydolności serca po zaburzenia rytmu i wady zastawek. Łącznie odpowiadają za około jedną trzecią wszystkich zgonów na świecie. EKG to jedno z najtańszych i najszerzej dostępnych narzędzi medycznych do wczesnego wykrywania tych stanów, ponieważ rejestruje aktywność elektryczną serca w czasie rzeczywistym. Tymczasem współczesna opieka zdrowotna generuje więcej danych EKG, niż eksperci są w stanie wygodnie przejrzeć. Autorzy argumentują, że potrzebne są inteligentne systemy komputerowe, które przesiewają ten strumień sygnałów, wyróżniają wczesne oznaki zagrożenia i wspierają lekarzy, nie zastępując ich.

Nauka maszyn rozpoznawania chorych serc

Badacze sięgnęli po publiczny zbiór EKG znany jako PTB-ECG, zawierający zapisy od 290 osób w wieku od 17 do 87 lat z różnymi schorzeniami serca. Każdy zapis powiązano ze szczegółowymi danymi klinicznymi, a EKG oznaczono w ośmiu grupach chorobowych, takich jak zawał, niewydolność serca, zaburzenia rytmu i choroby zastawek, wraz z przypadkami zdrowymi. Zamiast konwertować sygnały na obrazy, zespół wprowadził przebiegi EKG bezpośrednio do kilku typów modeli głębokiego uczenia, w tym sieci konwolucyjnych, sieci pamięciowych i hybryd łączących te zalety. Wszystkie modele miały to samo zadanie: na podstawie samego wzorca elektrycznego zdecydować, jaki rodzaj problemu sercowego najprawdopodobniej występuje u pacjenta.

Sprawienie, by potężne modele były wystarczająco lekkie

Kluczowym wyzwaniem było nie tylko osiągnięcie wysokiej dokładności, lecz także zachowanie oszczędności obliczeniowej. Wiele wysoko wydajnych modeli AI wymaga dużej mocy obliczeniowej, co jest niepraktyczne dla monitorów przyłóżkowych, karetek czy urządzeń noszonych. Aby zmniejszyć obciążenie, autorzy najpierw oczyszczali EKG, odfiltrowywali powolne dryfy i szumy oraz obniżali częstotliwość próbkowania. Następnie zastosowali technikę matematyczną zwaną przekształceniem falkowym, aby skondensować każde uderzenie serca do zwartych cech numerycznych, które wciąż zachowują istotne informacje. Skorygowali też nierównowagę danych — gdy niektóre choroby były rzadziej reprezentowane — tworząc ostrożnie syntetyzowane przykłady niedostatecznie reprezentowanych stanów w zbiorze treningowym. To połączenie oczyszczania sygnału, inteligentnego wydobywania cech i wyrównywania danych pozwoliło modelom pracować na znacznie mniejszym, lecz bardziej informatywnym wejściu.

Który cyfrowy czytnik wypadł najlepiej?

Zespół porównał pięć rodzin modeli: sieć konwolucyjną dostrojoną do sygnałów jednowymiarowych, klasyczny wielowarstwowy perceptron, sieć typu long short-term memory (LSTM) specjalizującą się w sekwencjach czasowych oraz dwa hybrydowe rozwiązania łączące warstwy konwolucyjne z perceptronem lub z LSTM. Każde podejście oceniano za pomocą dobrze znanych miar, takich jak dokładność, precyzja, czułość i miara F1, a co istotne — także zliczając, ile operacji matematycznych model potrzebuje na jedno wejście. Wszystkie modele osiągnęły bardzo wysoką dokładność — powyżej 99% — ale to LSTM wyróżnił się najbardziej. Łączył niemal perfekcyjną precyzję w wykrywaniu chorych serc z najniższym obciążeniem obliczeniowym wśród konkurentów, pokazując, że śledzenie, jak bicie serca zmienia się w czasie, może być zarówno inteligentne, jak i wydajne.

Co to oznacza dla codziennej opieki

Mówiąc najprościej, badanie pokazuje, że starannie zaprojektowany system AI potrafi czytać EKG z wyjątkową niezawodnością, nie będąc jednak wymagającym superkomputerem. Poprzez zmniejszenie potrzeb obliczeniowych o trzy rzędy wielkości, autorzy demonstrują, że szybie, oszczędne energetycznie algorytmy nadal mogą wychwycić subtelne sygnatury różnych chorób serca. Spośród nich model oparty na LSTM oferował najlepszą równowagę między „mózgiem” a „siłą”, co czyni go silnym kandydatem do zastosowań w monitoringu szpitalnym w czasie rzeczywistym, przenośnych skanerach i opaskach do noszenia przy sercu. Po dalszych testach na większych i bardziej zróżnicowanych grupach pacjentów takie lekkie, a jednocześnie dokładne narzędzia mogłyby pomóc przenieść screening serc na poziomie eksperckim do większej liczby klinik, karetek i domów na całym świecie.

Cytowanie: 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

Słowa kluczowe: choroby sercowo-naczyniowe, elektrokardiogram, głębokie uczenie, diagnostyka medyczna, urządzenia do monitorowania zdrowia