خب بذار اول یه توضیح کلی بدم: آریتمی بطنی یا همون Ventricular Arrhythmia (VA) یکی از مهمترین دلایل مرگ ناگهانی قلبیه. منظورش چیه؟ یعنی ریتم ضربان قلب یههو ناجور میشه و اگه به موقع نفهمی و درمانش نکنی، میتونه خطرناک باشه.
حالا تیمی از دانشمندا اومدن یه راهحل جدید پیشنهاد دادن که با استفاده از هوش مصنوعی عمیق (Deep Learning) از روی اطلاعات ECG (که همون نوار قلبیه) این آریتمی رو به صورت خیلی شخصیسازی شده تشخیص بده. ECG دستگاهیه که فعالیت الکتریکی قلب رو ثبت میکنه و معمولاً یه نمودار خطی نشون میده که دکترها خیلی خوب تفسیرش میکنن.
خب این کار آسون نیست، چون دو تا مشکل اصلی وجود داره:
- تنوع زیاد بین آدمها (inter-subject diversity): یعنی ریتم قلب هرکی یه شکل خاص داره.
- حتی توی یه نفر هم ریتم قلب ممکنه تو شرایط مختلف فرق کنه (intra-subject diversity): مثلاً وقتی ورزش میکنیم یا استرس داریم.
این دانشمندا برای اینکه این دو مشکل رو دور بزنن، هم موقع آموزش مدل و هم موقع تنظیم نهایی مدل، روشهایی به کار بردن:
شخصیسازی مدل با چاشنی یادگیری متا و آموزش مرحلهای
اول تو مرحله Pre-training (آموزش اولیه مدل)، اومدن یه تکنیک خفن به کار بردن به اسم Meta-learning یا همون یادگیری متا (این یعنی مدل به جای اینکه فقط یه کار خاص رو یاد بگیره، یاد میگیره که چطور به سرعت خودش رو با هر آدم جدیدی وفق بده). یه روش معروفش هم هست به اسم MAML (Model-Agnostic Meta-Learning) که یعنی مدل رو جوری تربیت میکنن که برای هر فرد جدید با داده کم هم زود خودش رو وفق بده.
کنارش، Curriculum Learning (CL) هم اضافه کردن – این یعنی مدل رو اول با مسائل سادهتر آموزش میدن و بعد کمکم سراغ مسائل سختتر میرن، درست مثل وقتی میخوایم دوچرخهسواری یا ریاضی یاد بگیریم!
این دو تا رو با هم ترکیب کردن و نتیجه این شد که مدل خیلی بهتر و راحتتر میتونه تفاوتهای آدمها رو یاد بگیره.
تنظیم پیشرفته برای تفاوتهای درونی هر فرد
تو مرحله Fine-tuning (تنظیم مدل برای هر فرد خاص)، یه استراتژی جدید ابداع کردن تا مدل حتی تنوع درون یه نفر رو هم بهتر مدیریت کنه. یعنی مثلاً حتی اگه حالات فیزیکی یا احساسی طرف تغییر کنه، باز مدل کارش رو درست انجام بده.
آزمایشهای دقیق، هم با دیتای باز و هم دیتای واقعی
اومدن این سیستم رو روی سه دیتاست عمومی ECG (یعنی دیتابیسهایی که همه میتونن بهش دسترسی داشته باشن) تست کردن، و یه دیتاست واقعی که با دستگاه ECG قابل حمل جمعآوری شده بود رو هم به مدل اضافه کردن (مثلاً اینا دستگاههای کوچیک و قابل حمل هستن که میشه راحت ECG رو باهاشون گرفت).
نتایج؟ فوقالعاده! مدلشون تنها با 10 نمونه از هر نوع ضربان قلب برای هر نفر، تونسته به دقت ROC-AUC برابر 0.984 و F1 برابر 0.940 برسه؛ تازه روی دیتای واقعی هم ROC-AUC شد 0.965 و F1 هم 0.937. (ROC-AUC و F1 دو تا معیار معروف برای سنجش کیفیت مدل هستن: ROC-AUC یعنی مدل چقدر خوب میتونه بین موارد سالم و ناسالم فرق بذاره، F1 هم یه معیار متعادل بین دقت و کامل بودن مدل.)
جالب اینجاست که مدل اونها تونسته حتی از روشهای قبلی هم بهتر عمل کنه و تقریبا تو همه معیارها برنده باشه.
آخرش هم یه سری آزمایش به اسم ablation study انجام دادن (یعنی یهجور تست که هر بار یه تیکه از مدل رو برمیدارن تا ببینن اون قسمت چقدر تاثیر داره) و نتیجه گرفتن که ترکیب MAML و Curriculum Learning باعث میشه مدل برای همه افراد عملکرد یکنواختتری داشته باشه و اون استراتژی تنظیم نهایی هم تطبیقش با هر فرد رو فوقالعاده بهتر کرده.
در کل اگه دنبال یه روش سبک، دقیق و شخصیسازی شده برای تشخیص آریتمی با یه دستگاه ECG ساده باشین، این کار تیم واقعا نویدبخشه و نقطه عطفی تو حوزهی تشخیصهای قلبی با هوش مصنوعیه!
منبع: +
