基于可解释深度学习的乌氏-帕金森-赖特脱氧电图信号分类
机器学习
2025-11-11 v1 数值分析
数值分析
组织与器官
摘要
乌氏-帕金森-赖特（WPW）综合征是一种心脏电生理（EP）障碍，由一种 accessory 途径（AP）引起，这种途径绕过心房-心室节节点，实现更快的心室激活率，并为心房-心室复合体节律动物学（AVRT）提供 substrates。准确定位AP对于规划和指导心导管切除手术至关重要。虽然传统诊断树（DT）方法和近期机器学习（ML）方法都提出了从表面心电图（ECG）预测AP位置，但往往受限于解剖定位分辨率有限、可解释性差以及使用小型临床数据集。本研究提出一种深度学习（DL）模型，用于定位单一表现性AP覆盖24个心脏区域，模型在使用个性化虚拟心脏模型生成的大型、符合生理学现实的数据集上进行训练。我们还将可解释人工智能（XAI）方法，包括导向反向传播、Grad-CAM和导向Grad-CAM集成到管道中。这使得解释DL决策成为可能，解决临床采纳的一个主要障碍：缺乏对ML预测透明性。我们的模型在AP定位准确率超过95%，灵敏度为94.32%，特异度为99.78%。XAI输出经与已知去极化模式验证其生理学可信度，并引入一种新指标来识别AP定位最具信息性的ECG电导。结果显示lead V2最为关键，其后为aVF、V1和aVL。本工作证明了将心脏数字孪生与可解释DL结合以实现准确、透明且无创的AP定位的潜力。
引用
@article{arxiv.2511.05973,
title = {Explainable Deep Learning-based Classification of Wolff-Parkinson-White Electrocardiographic Signals},
author = {Alice Ragonesi and Stefania Fresca and Karli Gillette and Stefan Kurath-Koller and Gernot Plank and Elena Zappon},
journal= {arXiv preprint arXiv:2511.05973},
year = {2025}
}
备注
27 pages, 9 figures, 4 tables