面向 12 导联心电图解释的可解释类方构神经网络 ECG-IMN
机器学习
2026-02-11 v1 人工智能
计算机视觉与模式识别
统计方法学
摘要
深度学习在自动化心电图 (ECG) 诊断中已达到专家水平，但这些模型的“黑箱”特性阻碍了其临床应用。医学人工智能的可信度不仅需要高准确率，还需要对驱动预测的具体生理特征进行透明度。现有的 ECG 解释方法通常依赖后置近似方法（如 Grad-CAM 和 SHAP），这些方法可能不稳定、计算昂贵，且不忠实于模型的实际决策过程。本文提出了 ECG-IMN，这是一个针对高分辨率 12 导联 ECG 分类的可解释类方构神经网络。与标准分类器不同，ECG-IMN 作为超网络运作：深度卷积主干网络生成针对每个输入样本的严格线性模型参数。这种架构强制实现内在可解释性，因为决策逻辑在数学上是透明的，生成的权重 (W) 作为精确的高分辨率特征归因图。我们引入了过渡解码器，有效将潜在特征映射到样本级权重，从而在时间和导联维度上精确定位病灶证据（如 ST 提升、T 波逆转）。我们在 PTB-XL 数据集上进行评估，结果表明 ECG-IMN 在预测性能方面（AUROC 相当于黑箱基线）同时提供了可靠、针对性的解释。通过显式解耦参数生成与预测执行，我们的框架搭建了深度学习能力与临床可信度之间的鸿沟，为实现“白盒”心脏诊断提供了原则性路径。
引用
@article{arxiv.2602.09566,
title = {ECG-IMN: Interpretable Mesomorphic Neural Networks for 12-Lead Electrocardiogram Interpretation},
author = {Vajira Thambawita and Jonas L. Isaksen and Jørgen K. Kanters and Hugo L. Hammer and Pål Halvorsen},
journal= {arXiv preprint arXiv:2602.09566},
year = {2026}
}