ECG-AuxNet: Un Marco de Fusión de Características Espacial-Temporales de Doble Rama con Aprendizaje Auxiliar para el...

Área de la Ciencia:

• Cardiología Cardiología.
• La inteligencia artificial es inteligencia artificial.
• Ingeniería Biomédica Ingeniería Biomédica.

Sus antecedentes:

• El análisis automatizado del electrocardiograma (ECG) enfrenta limitaciones en la integración de características, la interpretabilidad, la generalización y el desequilibrio de clase.
• Los métodos actuales luchan por capturar de manera exhaustiva tanto la información espacial como la temporal de las señales ECG.

Objetivo del estudio:

• Desarrollar un nuevo marco de doble rama, ECG-AuxNet, para mejorar el diagnóstico de enfermedades cardíacas.
• Abordar las limitaciones en el análisis automático de ECG mediante la integración de características espacio-temporales y la mejora de la interpretabilidad y generalización del modelo.

Principales métodos:

• ECG-AuxNet utiliza un Transformador Multiscala Atención CNN para las características espaciales y una red GRU para las características temporales.
• Un módulo de Fusión de Atención Cruzada de doble etapa integra las características, y una tarea auxiliar de Reconstrucción del Espacio de Características (FSR) mejora la discriminación de las características.
• El marco se evaluó en el conjunto de datos PTB-XL y se validó en el conjunto de datos clínicos SXMU-2k.

Principales resultados:

• ECG-AuxNet logró altas puntuaciones de F1 (78.34% en PTB-XL, 82.63% en SXMU-2k) para el reconocimiento de enfermedades desequilibradas por clase, superando a 9 modelos de referencia.
• La tarea auxiliar FSR mejoró significativamente la discriminación de características en un 11,7%, mejorando la precisión de la clasificación.
• El análisis Grad-CAM demostró que los patrones de atención se alinean con el enfoque diagnóstico de los cardiólogos.

Conclusiones:

• ECG-AuxNet integra efectivamente las características espacio-temporales del ECG utilizando el aprendizaje auxiliar.
• El marco demuestra una sólida generalizabilidad e interpretabilidad en el diagnóstico de enfermedades cardíacas, alineándose con la experiencia clínica.