原型学习从ECG创建精细的可解释的数字表型

科学领域:

• 人工智能的人工智能
• 生物医学信息学 生物医学信息学
• 心脏病学 心脏病学

背景情况:

• 基于原型的神经网络通过学习代表性信号模式来提供可解释的预测.
• 虽然对生理学数据的分类有希望,但它们捕捉更广泛的临床表型的能力尚不清楚.

研究的目的:

• 评估在心电图数据上训练的深度学习模型的原型是否与外部数据库中的临床表型 (phecodes) 保持一致.
• 评估单个原型的可解释性和临床相关性,超出标准分类范围.

主要方法:

• 一个基于原型的深度学习模型被训练为在PTB-XL数据集上的多标签心电图分类.
• 未经修改的模型被用于对MIMIC-IV临床数据库的推断.
• 分析了单个原型与医院出院诊断 (phecodes) 之间的关联.

主要成果:

• 个体原型与临床结果的关联比类预测或NLP提取的概念更强大,更具体.
• 具有混合意义模式的原型类显示出更大的类内距离,表明有意义变化的差异化.
• 该模型实现了对心脏病的高预测性能 (例如,心力衰竭的AUC为0.91),并显示了对诸如败血症等非心脏病的信号.

结论:

• 基于原型的模型可以从生理时间序列数据中促进可解释的数字表型.
• 这些模型提供可转移的中间表型,捕获超出初始培训目标的临床上有意义的特征.
• 原型为了解生理信号与各种临床条件之间的联系提供了有价值的工具.