# تصاویر رنگی ECG تشخیص خطر قلبی با هوش مصنوعی را بهبود می‌دهند

> افزودن نقشه رنگیِ طراحی‌شده بر پایه معیارهای بالینی به تصاویر ECG، مقدار AUC را از 0.72 به بیش از 0.9 رساند و توضیحات مدل را در یک گروه مبتلا به صرع از UK‑Biobank پایدارتر کرد.

Oossa · 2026-11-10 · https://oossa.com/fa/pseudo-colour-ecg-images-boost-ai-heart-risk-detection-and-explanations

پژوهشگران دو شبکه باقی‌مانده یکسان را با تصاویر ECG تک‌ضربانی آموزش دادند. یکی از شبکه‌ها از کدگذاری رنگیِ کاذبی استفاده کرد که فضای زیر بازه QT را با رنگ‌هایی پر می‌کند که بر اساس نوموگرام QT، یک ابزار بالینی سنجش خطر، انتخاب شده‌اند. مدلِ مبتنی بر رنگ به‌ترتیب در دو نوبت مراجعه به UK‑Biobank به امتیازهای AUC برابر با 0.903 و 0.914 رسید، در حالی که امتیاز مدل تک‌رنگ حدود 0.72 باقی ماند. در هر هشت روش توضیح‌پذیری، ورودی‌های رنگی ناحیه پرخطر QT را واضح‌تر و باثبات‌تر مشخص کردند.

## حقایق

- AUC مدل رنگی 0.903 و 0.914 بود، در برابر 0.719 و 0.720 برای مدل تک‌رنگ
- این مطالعه در 10 Nov 2026 منتشر شد

## چرا مهم است

پزشکان می‌توانند به توضیحات تولیدشده با هوش مصنوعی درباره ECG اعتماد بیشتری کنند، چون این توضیحات با الکتروفیزیولوژی شناخته‌شده هم‌خوانی دارند و ارزیابی خودکار خطر را قابل‌اعتمادتر می‌کنند.

## منابع و ارجاع‌ها

1. [Clinically Informed Colour Encoding Improves the Localisation and Stability of Explanations in Deep Learning ECG Models: External Validation in a UK Biobank Epilepsy Cohort](https://arxiv.org/abs/2611.09971) – arXiv cs.CV, 2026-11-10

آخرین به‌روزرسانی: 2026-11-10