التعلم العميق لتحليل تخطيط القلب الكهربائي: معايير أداء ورؤى من مجموعة بيانات PTB-XL

تُعدّ التخطيط الكهربائي للقلب (Electrocardiography) إجراءً تشخيصيًا شائعًا جدًا وغير جراحي، ويزداد دعم تفسيره بفضل خوارزميات التفسير التلقائي. وعانت التطورات في مجال التفسير التلقائي لتخطيط القلب حتى الآن من نقص في مجموعات البيانات المناسبة للتدريب، وكذلك من غياب إجراءات تقييم محددة بوضوح تضمن مقارنة فعّالة بين الخوارزميات المختلفة. ولتخفيف هذه التحديات، نقدّم نتائج أولية لاختبار معياري (benchmarking) على مجموعة بيانات PTB-XL التي تم نشرها حديثًا ومتاحة مجانًا، وتغطي مجموعة متنوعة من المهام، بدءًا من تنبؤات تقارير تخطيط القلب المختلفة، ومرورًا بتقدير العمر والجنس، وانتهاءً بتقييم جودة الإشارة. ونلاحظ أن الشبكات العصبية التلافيفية (Convolutional Neural Networks)، وخاصة الهياكل القائمة على ResNet وInception، تُظهر أفضل الأداء عبر جميع المهام، وتتفوّق بفارق كبير على الخوارزميات القائمة على السمات (feature-based). وتُكمل هذه النتائج رؤى أعمق حول خوارزميات التصنيف من حيث التصنيف الخفي (hidden stratification)، ودرجة عدم اليقين في النموذج، وتحليل استكشافي للقابلية للتفسير (interpretability). كما نقدّم نتائج معيارية على مجموعة بيانات تحدّي ICBEB2018 لتخطيط القلب، ونناقش إمكانيات التعلم الناقل (transfer learning) باستخدام تصنيفات مُدرّبة مسبقًا على مجموعة بيانات PTB-XL. وبهذا المورد، نسعى إلى ترسيخ مجموعة بيانات PTB-XL كمصدر معياري لاختبار خوارزميات تحليل تخطيط القلب بشكل منظم، وتشجيع الباحثين الآخرين في المجال على الانضمام إلى هذه الجهود.