Investigación sobre generalización de dominio de señales cardíacas entre conjuntos de datos e interpretabilidad de...

Área de la Ciencia:

• Ingeniería Biomédica
• Inteligencia Artificial
• Procesamiento de Señales

Sus antecedentes:

• El modelado entre conjuntos de datos de señales de electrocardiograma (ECG) se ve desafiado por el cambio de dominio y la falta de interpretabilidad clínica.
• Los métodos existentes luchan por generalizar entre diferentes conjuntos de datos de ECG y proporcionar información clínica transparente.

Objetivo del estudio:

• Proponer un marco basado en Transformer para el modelado de ECG entre dominios que mejore la generalización y la interpretabilidad.
• Abordar el cambio de dominio y mejorar la aplicabilidad clínica del análisis automatizado de ECG.

Principales métodos:

• Desarrolló un marco basado en Transformer que incorpora un Módulo de Mejora de Características Invariantes al Dominio (DFEM) y un Mecanismo de Restricción de Atención Impulsado por la Interpretabilidad (IACM).
• Se emplearon cuatro bases de datos autorizadas de arritmias (MIT-BIH Supraventricular, MIT-BIH Arrhythmia, INCART, SCD-Holter) para una experimentación rigurosa.
• Se realizaron estudios de ablación, análisis de importancia de características y visualización t-SNE para validar los componentes del modelo y la interpretabilidad.

Principales resultados:

• El método propuesto logró un rendimiento superior en todos los dominios de destino, superando a los modelos Transformer de referencia.
• Se logró una precisión un 8,4% mayor (0,768) en el conjunto de datos de arritmias MIT-BIH y una mejora del 4,7% en la puntuación F1 (0,898) en el conjunto de datos INCART.
• Los estudios de ablación confirmaron la eficacia de DFEM e IACM, mientras que los análisis mostraron que el modelo se centra en características de ECG clínicamente relevantes.

Conclusiones:

• El marco propuesto mitiga eficazmente el cambio de dominio en el modelado de ECG sin requerir muestras del dominio de destino.
• El método mejora simultáneamente la interpretabilidad del modelo y el rendimiento discriminatorio para aplicaciones clínicas.
• Este enfoque ofrece una solución prometedora para el análisis automatizado robusto y transparente de arritmias cardíacas.