Interpretation of Intracardiac Electrograms Through Textual Representations

要約

心房細動（AFib）の不規則な電気活動を理解することは、心電図検査における重要な課題となっています。
AFib の重篤な場合には、心臓内電位図 (EGM) を収集するためにカテーテル アブレーションが実行されます。
EGM は、複雑で詳細かつ局所的な心臓の電気活動を提供し、解釈可能な心臓研究にとって理想的なモダリティです。
最近の人工知能 (AI) の進歩により、一部の作品では深層学習フレームワークを利用して心房細動中の EGM を解釈できるようになりました。
さらに、言語モデル (LM) は、特にヘルスケアにおいて、目に見えない領域に一般化できるという優れたパフォーマンスを示しています。
この研究では、マスクされた言語モデリングによる EGM 補間と AFib 分類の微調整に事前トレーニング済み LM を初めて活用しました。
我々は EGM をテキストシーケンスとして定式化し、他の表現と比較した AFib 分類に関する競合パフォーマンスを提示します。
最後に、モデルの動作について多視点からの直観を提供するための包括的な解釈可能性の研究を提供します。これは臨床使用に大きな利益をもたらす可能性があります。

要約(オリジナル)

Understanding the irregular electrical activity of atrial fibrillation (AFib) has been a key challenge in electrocardiography. For serious cases of AFib, catheter ablations are performed to collect intracardiac electrograms (EGMs). EGMs offer intricately detailed and localized electrical activity of the heart and are an ideal modality for interpretable cardiac studies. Recent advancements in artificial intelligence (AI) has allowed some works to utilize deep learning frameworks to interpret EGMs during AFib. Additionally, language models (LMs) have shown exceptional performance in being able to generalize to unseen domains, especially in healthcare. In this study, we are the first to leverage pretrained LMs for finetuning of EGM interpolation and AFib classification via masked language modeling. We formulate the EGM as a textual sequence and present competitive performances on AFib classification compared against other representations. Lastly, we provide a comprehensive interpretability study to provide a multi-perspective intuition of the model’s behavior, which could greatly benefit the clinical use.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google