Совместная архитектура CNN-Bi-LSTM-transformer с объяснениями SHAP для многометочной детекции аритмий по 12-канальной ЭКГ

Почему скрининг ритма сердца важен для всех

Проблемы с ритмом сердца, или аритмии, являются одной из ведущих причин внезапной сердечной смерти, при этом основной тест для их выявления — 12-канальная электрическая кардиограмма (ЭКГ) — по‑прежнему во многом зависит от занятых людей‑специалистов. В этом исследовании предложена система искусственного интеллекта, способная одновременно сканировать стандартные ЭКГ на предмет множества различных нарушений ритма, объяснять свои выводы в терминах, понятных врачам, и работать достаточно быстро, чтобы встроиться в носимые устройства или телемедицинские платформы. Для пациентов это может означать более раннее предупреждение об опасных ритмах; для клиницистов — неутомимого ассистента, который не только помечает проблему, но и показывает, почему.

Слушая сердце многими «ушами»

12-канальная ЭКГ фиксирует электрическую активность сердца с нескольких точек зрения с помощью электродов на груди и конечностях. Каждый сердечный цикл генерирует характерный рисунок волн, который показывает, как сигналы проходят через камеры сердца. Небольшие искажения в этих рисунках могут указывать на состояния от безвредных вариантов до угрожающих жизни нарушений. Интерпретация таких тонких изменений по множеству отведений и в длительных записях требует больших усилий, и показания людей‑экспертов могут различаться. В то же время современная медицина всё чаще опирается на непрерывный мониторинг в больницах, дома и в носимых устройствах, создавая объёмы данных, которые клиницисты не в состоянии просмотреть вручную.

Обучение цифрового ассистента читать сложные сердечные сигналы

Исследователи построили модель глубокого обучения, которая принимает на вход необработанные сегменты 12-канальной ЭКГ и обучается распознавать 27 клинически важных нарушений ритма и проведения. Сначала они заранее обработали более 43 000 записей с экспертными метками из большой коллекции PhysioNet/Computing in Cardiology 2020. Сигналы из разных больниц имели разные частоты дискретизации и содержали шум, пропуски и редкие выбросы. Команда пересэмплировала все ЭКГ к единой частоте, устранила дрейф базовой линии и электрические помехи, заполнила пробелы, используя статистически обоснованные правила, и сегментировала данные в перекрывающиеся четырёхсекундные окна. Эта длина окна оказалась достаточной для захвата ключевых ритмических паттернов и при этом короткой и эффективной для анализа в реальном времени.

Как многоуровневая модель видит пространство, время и контекст

Ядром системы является цепочка из трёх взаимодополняющих модулей нейронной сети. Сверточные слои выступают детекторами паттернов, просматривая каждое отведение ЭКГ в поисках форм вроде острых пиков, расширенных комплексов или искажённых сегментов. Затем двунаправленные LSTM‑слои отслеживают, как эти признаки эволюционируют во времени, фактически наблюдая ритм вперёд и назад, чтобы уловить нерегулярные интервалы и переходы между сокращениями. Наконец, блок трансформера применяет механизм внимания, способный фокусироваться на удалённых, но связанных фрагментах сигнала по всем отведениям одновременно, устанавливая связи, которые могут указывать на перекрывающиеся состояния. Вместе эти слои преобразуют каждое короткое окно ЭКГ в компактное представление, по которому сеть оценивает наличие каждой из 27 категорий аритмий и нарушений проведения в режиме многометочной классификации.

Открывая «чёрный ящик» с помощью значимых подсветок

Чтобы сделать решения системы понятными, авторы интегрировали метод SHAP, который вычисляет вклад каждой части ЭКГ в конкретное предсказание. После обучения они использовали SHAP для генерации визуальных «карт важности», выделяющих конкретные сегменты волн и отведения, на которые модель опиралась в каждом случае. Эти карты часто соответствовали стандартной кардиологической логике: например, система подчёркивала отсутствие P‑зубцов и нерегулярные интервалы между сокращениями при идентификации фибрилляции предсердий, или расширенные комплексы QRS и компенсаторные паузы при распознавании преждевременных желудочковых сокращений. Такое согласование указывает на то, что ИИ не просто запоминает шаблоны, но ориентируется на те же физиологические признаки, что и человеческие эксперты.

Работа в реальных условиях и перспективы

На независимой тестовой выборке пациентов модель правильно классифицировала ритмы с общей точностью около 91% и сохранила хорошее равновесие между обнаружением истинных нарушений и избеганием ложных тревог как для распространённых, так и для редких состояний. Для опасных аритмий, таких как преждевременные желудочковые сокращения и фибрилляция предсердий, её способность отличать патологию от нормы была чрезвычайно высокой. Примечательно, что полная модель занимает менее двух мегабайт памяти и может проанализировать окно ЭКГ менее чем за десять миллисекунд, что делает её пригодной для развёртывания в прикроватных мониторах, амбулаторных регистраторах или даже в умных носимых устройствах. Проще говоря, эта работа показывает, что компактный объяснимый ИИ может помогать читать стандартные ЭКГ по широкому спектру нарушений ритма, предлагая врачам наглядные визуальные обоснования и открывая путь к более безопасному и доступному кардиомониторингу.

Цитирование: 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

Ключевые слова: электрокардиограмма, нарушение ритма сердца, глубокое обучение, объяснимый ИИ, кардиомониторинг