К надежному автоматическому обнаружению сердечных аритмий с помощью самоконтролируемого обучения и одномерных визуальных трансформеров

Почему умные мониторы сердца важны

Сердечные заболевания — ведущая причина смерти в мире, и врачи ежегодно фиксируют сотни миллионов кардиограмм (ЭКГ). Эти извилистые кривые могут выявлять опасные нарушения ритма, но вручную просмотреть каждую запись экспертам просто невозможно. В этой работе рассматривается, как современные методы искусственного интеллекта могут обучаться непосредственно на огромных коллекциях ЭКГ — большинство из которых никогда не маркировались человеком — чтобы распознавать аномальные ритмы точнее, надежнее и достаточно быстро для мониторинга в реальном времени на обычных устройствах.

Обучение на океанах немаркированных сердечных сокращений

Традиционные компьютерные системы для анализа ЭКГ требуют многих аккуратно размеченных примеров и всё равно испытывают трудности при работе с шумными реальными данными. Авторы вместо этого используют огромный ресурс, который уже генерируют больницы и носимые устройства: миллионы сырых записей ЭКГ, которые никогда не были аннотированы. Они предлагают способ, при котором модель ИИ учится сама распознавать шаблоны нормальной и аномальной активности сердца, предсказывая отсутствующие фрагменты сигнала — стиль обучения, известный как самоконтролируемое обучение. Сначала освоив общий «язык» сердечных сокращений на 8,2 миллионах немаркированных записей, система затем тонко настраивается на гораздо меньшем наборе экспертно размеченных случаев для выявления множества различных нарушений ритма.

Преобразование линий ЭКГ в патчи, понятные модели

Большинство прежних подходов превращали сигналы ЭКГ в изображения и использовали системы, ориентированные на обработку картинок, что тратит место и размывает мелкие детали. В этой работе данные сохраняют свою естественную одномерную форму. Авторы представляют PatchECG — модель, которая делит каждую 10‑секундную запись ЭКГ на небольшие полусекундные «патчи» по каждому отведению, а затем скрывает около 40 % из них. Задача модели при обучении — восстановить пропущенные патчи по оставшемуся контексту, что заставляет её учиться тому, как волны и ритмы разворачиваются во времени. Такая стратегия сохраняет тонкие изменения в ЭКГ, важные для диагностики — например, незначительные смещения сегментов, связанные с инфарктом — и избегает потерь информации, возникающих при преобразовании сигналов в низкоразрешённые изображения.

Лучше устоявшихся методов при меньших вычислительных затратах

После самотренировки на немаркированных данных PatchECG дообучают для нескольких реальных диагностических задач: распознавания десятков нарушений ритма и структурных проблем на широко используемом эталонном наборе данных, объединения нескольких публичных наборов в крупнейшую по состоянию на сегодняшний день коллекцию размеченных ЭКГ и обнаружения опасного типа инфаркта, называемого STEMI. Во всех этих тестах PatchECG сопоставим или превосходит сильные существующие системы, включая сложные рекуррентные сети и трансформеры, работающие с изображениями, при этом затрачивая примерно одну пятую времени вычислений по сравнению с ведущим конкурентом. Модель особенно впечатляет стабильностью предсказаний между разными группами пациентов и наборами данных: диапазоны неопределённости значительно уже, чем у старых подходов. Эта устойчивость важна для создания доверия к инструментам, которые в будущем могут влиять на срочные лечебные решения.

Работа с шумными данными и несбалансированными состояниями

Реальные наборы ЭКГ далеки от идеала: некоторые диагнозы редки, многие метки вызывают сомнение или даже ошибочны, а записи часто загрязнены движением и электрическими помехами. Авторы показывают, что их самоконтролируемое обучение делает PatchECG более робастной к этим проблемам. При анализе качества по диагнозам они обнаруживают, что классы с более низкой экспертной уверенностью в разметке, как правило, труднее распознаются моделью, что указывает на возможность использовать инструмент для пометки сомнительных записей для последующего ручного пересмотра. Они также экспериментируют с современными методами дообучения, которые обновляют лишь небольшие части сети, и с увеличением данных на этапе тестирования. В совокупности эти шаги дают скромный, но значимый прирост — более чем на 2 процентных пункта в ключевых показателях точности — без увеличения вычислительных затрат.

Что это значит для будущей кардиологии

Проще говоря, исследование показывает, что тщательно спроектированная одномерная модель ИИ может выучить ритмы сердца на миллионах немаркированных ЭКГ, а затем применить эти знания для быстрого и эффективного обнаружения опасных состояний. Отказавшись от преобразования в изображения, PatchECG сохраняет больше клинически значимых деталей и работает быстрее, что делает её хорошим кандидатом для систем непрерывного мониторинга — от больничных койек до умных часов. Хотя перед внедрением всё ещё потребуются клинические испытания, работа закладывает основу для более надёжного, масштабируемого и доступного автоматизированного анализа ЭКГ, который мог бы помочь выявлять угрожающие жизни аритмии до того, как они станут фатальными.

Цитирование: Chatterjee, M., Chan, A.D.C. & Komeili, M. Toward robust automated cardiovascular arrhythmia detection using self-supervised learning and 1-dimensional vision transformers. Sci Rep 16, 11793 (2026). https://doi.org/10.1038/s41598-026-41549-5

Ключевые слова: электрокардиограмма, обнаружение аритмий, самоконтролируемое обучение, модели-трансформеры, медицинский ИИ