ProtoECGNet: Case-Based Interpretable Deep Learning for Multi-Label ECG Classification with Contrastive Learning

要約

ディープラーニングベースの心電図（ECG）分類は印象的なパフォーマンスを示していますが、透明で忠実な説明の欠如により臨床的採用が遅くなっています。
顕著性マップなどの事後の方法は、モデルの真の決定プロセスを反映していない場合があります。
プロトタイプベースの推論は、実際のECGセグメントの学習された表現と類似した類似性で決定を下し、忠実なケースベースの説明を可能にすることにより、より透明な代替手段を提供します。
解釈可能なマルチラベルECG分類のためのプロトタイプベースのディープラーニングモデルであるProtoecGnetを紹介します。
ProtoecGnetは、臨床解釈ワークフローを反映する構造化されたマルチブランチアーキテクチャを採用しています。リズム分類のためのグローバルプロトタイプと1D CNN、形態ベースの推論のための時間局在化プロトタイプを持つ2D CNN、および拡散剤のグローバルプロトタイプを備えた2D CNNを統合します。
各ブランチは、マルチラベル学習用に設計されたプロトタイプ損失で訓練されており、クラスタリング、分離、多様性、および無関係なクラスのプロトタイプ間の適切な分離を促進しながら、頻繁に共起する診断のクラスタリングを可能にする新しい対照的な損失を組み合わせています。
PTB-XLデータセットからの71の診断ラベルすべてでProtoecGnetを評価し、構造化されたケースベースの説明を提供しながら、最先端のブラックボックスモデルと比較して競争力のあるパフォーマンスを実証します。
プロトタイプの品質を評価するために、最終モデルの予測プロトタイプの構造化された臨床医のレビューを実施し、それらが代表的かつ明確であると評価されていることがわかります。
ProtoecGnetは、プロトタイプ学習を複雑でマルチラベルの時系列分類に効果的に拡大できることを示しており、臨床的意思決定サポートのための透明で信頼できる深い学習モデルへの実用的な道を提供します。

要約(オリジナル)

Deep learning-based electrocardiogram (ECG) classification has shown impressive performance but clinical adoption has been slowed by the lack of transparent and faithful explanations. Post hoc methods such as saliency maps may fail to reflect a model’s true decision process. Prototype-based reasoning offers a more transparent alternative by grounding decisions in similarity to learned representations of real ECG segments, enabling faithful, case-based explanations. We introduce ProtoECGNet, a prototype-based deep learning model for interpretable, multi-label ECG classification. ProtoECGNet employs a structured, multi-branch architecture that reflects clinical interpretation workflows: it integrates a 1D CNN with global prototypes for rhythm classification, a 2D CNN with time-localized prototypes for morphology-based reasoning, and a 2D CNN with global prototypes for diffuse abnormalities. Each branch is trained with a prototype loss designed for multi-label learning, combining clustering, separation, diversity, and a novel contrastive loss that encourages appropriate separation between prototypes of unrelated classes while allowing clustering for frequently co-occurring diagnoses. We evaluate ProtoECGNet on all 71 diagnostic labels from the PTB-XL dataset, demonstrating competitive performance relative to state-of-the-art black-box models while providing structured, case-based explanations. To assess prototype quality, we conduct a structured clinician review of the final model’s projected prototypes, finding that they are rated as representative and clear. ProtoECGNet shows that prototype learning can be effectively scaled to complex, multi-label time-series classification, offering a practical path toward transparent and trustworthy deep learning models for clinical decision support.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google