Сравнительная оценка моделей глубокого обучения для диагностики и классификации сердечно-сосудистых заболеваний

Почему важны более умные проверки сердца

Сердечные заболевания по-прежнему остаются главной причиной смертности в мире, но сигналы, предупреждающие о проблемах, часто прячутся в крошечных колебаниях электрокардиограммы (ЭКГ). Врачи умеют читать эти кривые, однако визуальная оценка медленная, утомительная и подвержена пропускам — особенно когда с мониторов больниц или носимых устройств поступают тысячи сердечных сокращений. В этом исследовании изучается, сможет ли искусственный интеллект не только сопоставляться с экспертами при чтении ЭКГ, но и делать это с такими низкими вычислительными затратами, чтобы работать в реальном времени на обычных клинических аппаратах и даже компактных гаджетах.

Чтение сердцебиения в цифровую эпоху

Сердечно-сосудистые заболевания охватывают широкий спектр проблем — от инфарктов и сердечной недостаточности до нарушений ритма и пороков клапанов. В сумме они вызывают примерно треть всех смертей в мире. ЭКГ — один из самых дешёвых и широко доступных инструментов медицины для раннего обнаружения этих состояний, поскольку фиксирует электрическую активность сердца в реальном времени. Тем не менее современная система здравоохранения генерирует больше данных ЭКГ, чем эксперты успевают проанализировать. Авторы считают, что нужны интеллектуальные компьютерные системы для просеивания этого потока сигналов, выделения ранних признаков и поддержки врачей, не заменяя их.

Обучение машин распознавать больные сердца

Исследователи обратились к публичной коллекции ЭКГ, известной как набор PTB-ECG, который содержит записи от 290 человек в возрасте от 17 до 87 лет с различными сердечными патологиями. Каждая запись связана с подробной клинической информацией, а ЭКГ помечены по восьми группам заболеваний — например, инфаркт, сердечная недостаточность, нарушения ритма и пороки клапанов — а также здоровые случаи. Вместо преобразования сигналов в изображения команда подавала волновые формы ЭКГ напрямую в несколько типов моделей глубокого обучения, включая сверточные сети, сети с памятью и гибриды, сочетающие эти подходы. Всем моделям была поставлена одна задача: определить по электрическому паттерну, какой тип сердечной проблемы наиболее вероятен у пациента.

Делаем мощные модели достаточно лёгкими для работы в полях

Ключевая задача заключалась не только в точности, но и в экономии ресурсов. Многие высокоэффективные модели ИИ требуют значительной вычислительной мощности, что непрактично для прикроватных мониторов, машин скорой помощи или носимых устройств. Чтобы снизить нагрузку, авторы сначала очистили ЭКГ — убрали медленные дрейфы и шум и снизили частоту дискретизации. Затем они использовали математический приём вейвлет-преобразования, чтобы сжать каждое сердцебиение в компактные численные признаки, сохраняющие важные детали. Также исправили дисбаланс данных — когда некоторые заболевания встречаются реже — создавая аккуратно синтезированные примеры недостаточно представленных состояний в обучающей выборке. Такое сочетание очистки сигналов, умной экстракции признаков и балансировки данных позволило моделям работать с гораздо меньшим, но более информативным входом.

Какая цифровая система показала себя лучше?

Команда сравнила пять семейств моделей: сверточную сеть, настроенную на одномерные сигналы; классический многослойный перцептрон; сеть долгой краткосрочной памяти (LSTM), специализирующуюся на временных последовательностях; и два гибрида, которые комбинируют сверточные слои с перцептроном или LSTM. Каждую модель оценивали по привычным метрикам — точности, точности положительных срабатываний (precision), полноте (recall) и F1-мере — и, что важно, по числу математических операций, требуемых на вход. Все модели достигли очень высокой точности — выше 99% — но выделялась LSTM. Она сочетала почти идеальную точность в выявлении больных сердец с наименьшей вычислительной нагрузкой среди претендентов, показав, что отслеживание эволюции сердцебиения во времени может быть одновременно информативным и экономичным.

Что это значит для повседневной помощи

Проще говоря, исследование показывает, что тщательно продуманная система ИИ может читать ЭКГ с исключительной надёжностью, не будучи энергоёмким суперкомпьютером. Сократив вычисления в три порядка, авторы демонстрируют, что быстрые алгоритмы с низким энергопотреблением всё ещё способны уловить тонкие подписи различных сердечных заболеваний. Среди них модель на базе LSTM предложила наилучший баланс между «мозгом» и «силой», что делает её сильным кандидатом для использования в системах мониторинга в реальном времени в больницах, портативных сканерах и носимых сердечных пластырях. При дальнейшем тестировании на более крупных и разнообразных группах пациентов такие лёгкие, но точные инструменты могут помочь распространить скрининг на уровне экспертов в большем числе клиник, машин скорой помощи и домохозяйств по всему миру.

Цитирование: 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

Ключевые слова: сердечно-сосудистые заболевания, электрокардиограмма, глубокое обучение, медицинская диагностика, носимые устройства здоровья