في عالم الطب الحديث، يعتبر التعرف على تخطيط القلب الورقي (Paper ECG Recognition) أحد التحديات الكبيرة نظرًا للاختلافات الكبيرة التي تظهر في صور تخطيطات القلب الحقيقية، سواء من حيث التخطيط أو العيوب الفيزيائية أو توافر التسميات. لذلك، قدم الباحثون نظام RobECG-CL، وهو إطار تعلّم مُعتمد على التباين والوعي بالترتيب لتحسين تمثيل تخطيط القلب الورقي بشكل ملحوظ.

يبدأ RobECG-CL من تسجيلات تخطيط القلب القياسية ذات الـ 12 ريشة (12-lead ECG)، وينشئ مشاهد ورقية مخففة تدريجيًا ذات تخطيطات متنوعة ويقوم بتدريب النموذج لتحقيق التوازن بين عدم الحساسية لتسجيلات متماثلة والترتيب المعتمد على الانحلال.

خلال اختبارات الضغط الاصطناعية التي تمت على مجموعتي بيانات CODE-II و EchoNext، أظهر RobECG-CL تحسينات ملحوظة في التحمل تجاه الانحلال الشديد والانتقال القليل، متفوقًا على معايير التعلم القائم على التباين وسابِقًا النموذج الاساسي القائم على الموجات ECG-FM في ظروف تصنيف 1% المعلّمة.

علاوة على ذلك، وعلى عينة من 312 حالة بيانات مستشفى مقسمة إلى 37 تصنيفًا، حقق RobECG-CL أفضل قيمة AUROC ماكرو، مما يعكس كفاءته العالية ونجاحه في التعامل مع التحديات المختلفة.

إذا كنت مهتمًا بتطور الذكاء الاصطناعي في المجال الطبي، فلا تفوت الفرصة للمشاركة برأيك حول كيف يمكن لهذه التقنيات تحسين الرعاية الصحية! ما رأيكم في هذا التطور؟ شاركونا في التعليقات.