ACL-ECG: Aprendizaje Contrastivo Consciente de la Anatomía para Electrocardiogramas de Múltiples Derivaciones

Área de la Ciencia:

• Inteligencia Artificial
• Ingeniería Biomédica
• Cardiología

Sus antecedentes:

• El aprendizaje profundo para el análisis de electrocardiogramas (ECG) requiere grandes conjuntos de datos etiquetados, que son costosos y requieren mucho tiempo para crearse.
• El aprendizaje autosupervisado, en particular el aprendizaje contrastivo, ofrece una forma de aprender de datos de ECG no etiquetados.
• Los métodos actuales a menudo carecen de la incorporación de conocimiento específico del dominio, lo que limita la calidad de la representación.

Objetivo del estudio:

• Desarrollar un método autosupervisado novedoso, Aprendizaje Contrastivo Consciente de la Anatomía para ECG (ACL-ECG), para el análisis automatizado de ECG.
• Aprovechar las relaciones anatómicas cardíacas dentro de un marco de aprendizaje contrastivo para mejorar el aprendizaje de representaciones de ECG.
• Reducir la dependencia de extensos conjuntos de datos etiquetados en el análisis de ECG.

Principales métodos:

• Se propuso ACL-ECG, un marco de aprendizaje contrastivo autosupervisado que incorpora la anatomía cardíaca.
• Se desarrolló una estrategia de aumentación consciente de la fisiología que incluye recorte aleatorio de escala, enmascaramiento del ciclo cardíaco y desplazamiento temporal.
• Se agruparon las derivaciones de ECG en regiones anatómicas (anterior, inferior, septal, lateral) y se introdujeron objetivos contrastivos a nivel de región.

Principales resultados:

• ACL-ECG superó a las bases de aprendizaje contrastivo de última generación en tareas posteriores bajo evaluación lineal, con mejoras de hasta un 1,29% en AUROC y un 3,57% en AUPRC.
• El ajuste fino de ACL-ECG con el 10% de los datos etiquetados logró un rendimiento comparable al entrenamiento totalmente supervisado, reduciendo las necesidades de anotación entre 5 y 8 veces.
• Los estudios de ablación confirmaron la efectividad tanto de la aumentación consciente de la fisiología como de los objetivos de aprendizaje contrastivo conscientes de la anatomía.

Conclusiones:

• ACL-ECG mejora la calidad de la representación del ECG sin aumentar la carga de anotación.
• El enfoque informado por la anatomía proporciona una base sólida para el análisis de ECG autosupervisado en entornos clínicos con escasez de etiquetas.
• ACL-ECG ofrece una alternativa escalable y eficiente para la interpretación automatizada de ECG.