ECG診断のための解釈可能なトランスフォーマーフレームワーク：臨床知識とAIの架け橋

科学分野:

• 医療における人工知能
• 心臓病学
• 生体信号処理

背景:

• 心血管疾患は、世界的な健康上の大きな課題を表しています。
• 正確で効率的、かつ解釈可能な自動心電図（ECG）解釈は非常に重要です。
• 既存のシステムは、しばしば医師レベルの解釈可能性を欠いています。

研究 の 目的:

• 自動ECG解釈のためのAIモデルであるMDOT（Momentum Distillation Oscillographic Transformer）を開発すること。
• ECG解析の診断精度と臨床的解釈可能性を向上させること。
• 臨床意思決定支援およびエッジデプロイメントのための堅牢なソリューションを提供すること。

主な方法:

• 医師が関与する教師モデルからの知識蒸留を使用して訓練された軽量な学生モデル。
• 主要な心電図指標（心拍数、QRS持続時間、STセグメント、QTc間隔）を補助特徴量として統合。
• トランスフォーマー解析のために1D ECGを2D表現に変換する新しいOscillographic（OSC）モジュール。
• 解釈可能性ヒートマップを生成するための注意メカニズムの利用。

主要な成果:

• MDOTは、2つのベンチマークデータセットで最先端の精度を達成しました。MIT-BIH（8クラス）で99.53％、Chapman（12クラス）で99.03％です。
• 厳密な患者間データ分割で高いパフォーマンスを示しました。
• 注意ベースのヒートマップは、診断的に関連のあるECGセグメントを強調し、解釈可能性を向上させました。

結論:

• MDOTは、非常に正確で解釈可能な自動ECG解釈システムを提供します。
• 臨床的推論と新しい信号処理の統合は、診断能力を向上させます。
• MDOTは、臨床意思決定支援および実世界アプリケーションのための有望なツールです。