Гибридная модель обучения для автоматической многоклассовой классификации электрокардиограмм с SimCardioNet

Почему важно научить компьютеры «читать» сердцебиения

Каждый раз, когда врач назначает электрокардиограмму (ЭКГ), он получает извилистую линию, которая может указать на инфаркты, опасные нарушения ритма и ранние признаки заболеваний. Но правильно интерпретировать эти кривые требуется годы обучения, и во многих больницах — особенно в условиях ограниченных ресурсов — просто не хватает кардиологов. В этом исследовании представлена SimCardioNet, новая система искусственного интеллекта, разработанная для автоматического и точного чтения изображений ЭКГ даже при ограниченном объёме экспертно размеченных данных. Сначала обучаясь на неразмеченных ЭКГ, а затем уточняя знания на скромном наборе размеченных примеров, SimCardioNet стремится приблизить надёжную и быструю интерпретацию ЭКГ к повседневной клинической практике.

От бумажных распечаток к интеллектуальному распознаванию закономерностей

Во многих клиниках ЭКГ хранятся не как чистые цифровые сигналы, а в виде отсканированных изображений или бумажных распечаток. SimCardioNet создана для работы напрямую с такими изображениями. Система сначала стандартизирует каждое изображение ЭКГ до фиксированного размера и применяет ряд тонких преобразований — небольшие повороты, смещения цветовой гаммы, кадрирование и отражения — которые имитируют реальные вариации при печати и сканировании. Эти «аугментации» помогают модели становиться устойчивой к различиям между больницами и аппаратами, обучая её фокусироваться на электрических паттернах сердца, а не на поверхностных деталях вроде цвета сетки или макета страницы.

Двухэтапный способ обучения модели

Вместо того чтобы сразу просить компьютер заняться диагностикой, авторы применяют двухэтапный процесс обучения. На первом этапе, называемом самообучением, модели показывают множество неразмеченных изображений ЭКГ и просят распознать, когда два разных вида изображения происходят от одной и той же базовой записи. Это реализовано методом контрастивного обучения: пары изображений одной и той же записи сближаются в внутреннем представлении модели, в то время как пары от разных пациентов отталкиваются. SimCardioNet использует собственный стек свёрточных слоёв (стандартный блок глубинного обучения для изображений), резидуальные связи, облегчающие обучение глубоких сетей, и модуль multi‑head attention, помогающий модели обращать внимание на наиболее информативные части каждой волны.

Тонкая настройка системы для выявления заболеваний сердца

После этой «неконтролируемой» фазы обучения модель получает богатое представление о типичных формах ЭКГ. На втором этапе — контролируемой донастройке — ей дают размеченные примеры: ЭКГ, отмеченные экспертами как нормальные, инфаркт, аритмия или перенесённый инфаркт, а в большей базе — несколько более широких групп заболеваний. Авторы постепенно «размораживают» слои сети: сначала обучаются только финальные слои, затем разрешается корректировка более ранних слоёв. Такое постепенное расписание помогает сохранить полезные закономерности, выученные на неразмеченных данных, одновременно адаптируя их к задаче диагностики. Финальный классификационный модуль присваивает каждому изображению ЭКГ одну из нескольких клинически значимых категорий.

Насколько хорошо это работает на практике?

Команда протестировала SimCardioNet на трёх отдельных наборах изображений. На четырёхклассовом датасете из пакистанских больниц система правильно классифицировала около 97,5% ЭКГ, с аналогично высокими показателями точности и полноты — то есть она редко пропускала заболевания и редко давала ложные тревоги. На внешнем датасете с Kaggle модель показала идеальные результаты на тестовой выборке, что указывает на хорошую переносимость выученных признаков на новые источники, хотя авторы предупреждают, что такие безупречные цифры иногда отражают более простую задачу. На PTB‑XL, крупном общепринятом бенчмарке с пятью широкими диагностическими группами, модель достигла примерно 92% по точности и F1‑мере, превосходя несколько недавних подходов глубокого обучения, включая специализированные свёрточные и рекуррентные сети. Инструменты визуализации, такие как Grad‑CAM, показали, что модель обычно основывает решения на клинически релевантных участках сигнала — например, на острых QRS‑спайках и сегментах ST, — хотя авторы также выявили и предложили способы исправления редких «хитростей», например фокусировки на шапках страниц.

Что это значит для пациентов и клиницистов

Для неспециалиста главный вывод таков: SimCardioNet демонстрирует, как машины можно обучить точно интерпретировать кардиограммы без необходимости иметь огромные полностью размеченные датасеты, создание которых дорого и длительно. Сначала изучая общую структуру на неразмеченных изображениях ЭКГ, а затем уточняя знания на меньшем размеченном наборе, система обеспечивает надёжную многоклассовую диагностику, оставаясь относительно эффективной и объяснимой. Хотя перед внедрением в рутинную практику требуется больше испытаний в разных больницах, на разных устройствах и в различных группах пациентов, эта работа показывает, что автоматические считыватели ЭКГ могли бы однажды помочь быстрее сортировать пациентов, поддержать перегруженных врачей и расширить доступ к экспертной кардиологической оценке в регионах с нехваткой специалистов.

Цитирование: Majid, M.D., Anwar, M., Bilal, S.F. et al. A hybrid learning framework for automated multiclass electrocardiogram classification with SimCardioNet. Sci Rep 16, 7621 (2026). https://doi.org/10.1038/s41598-026-36932-1

Ключевые слова: электрокардиограмма, глубокое обучение, самообучение, сердечно‑сосудистые заболевания, медицинская визуализация