Interpretation of Intracardiac Electrograms Through Textual Representations

要約

心房細動（AFib）の不規則な電気的活動を理解することは、心電図における重要な課題である。心房細動の重症例では、カテーテルアブレーションを行い、心筋内脳波（EGM）を収集する。EGMは、心臓の詳細かつ局所的な電気活動を提供し、解釈可能な心臓研究の理想的なモダリティである。最近の人工知能（AI）の進歩により、心房細動時のEGMを解釈するためにディープラーニングフレームワークを利用できるようになった研究もある。さらに、言語モデル（LM）は、特にヘルスケアにおいて、未知のドメインに汎化できるという卓越した性能を示している。本研究では、マスクされた言語モデリングを介して、EGM補間とAFib分類の微調整のために事前に訓練されたLMを活用する最初の研究である。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心房細動分類における競争力を示す。最後に、モデルの動作の多視点的直観を提供するために、包括的な解釈可能性の研究を提供する。

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, DeepL