面向复杂生理信号的深度神经网络解释性与少样本学习的类人视觉计算
计算机视觉与模式识别
2025-12-30 v1 人工智能
人机交互
机器学习
摘要
机器视觉模型，特别是深度神经网络，正在日益增多地应用于生理信号解释，包括心电图（ECG），但它们通常需要大量训练数据且对其预测背后的因果特征缺乏解释。这种数据效率不足和可解释性不足限制了其临床可靠性和与人类推理的一致性。本文表明，一种感知启发的伪着色技术——此前已证明可增强人类ECG解释——可同时提高深度神经网络分析复杂生理信号的解释性和少样本学习能力。我们聚焦于一种具有挑战性的案例研究：药物诱导的长QT综合征（LQTS），其特征为信号形态异质、心率可变且与肌电阵列（torsades de pointes）等致命心律失常相关的阳性病例稀少。该设置提供了严苛的模型在极端数据稀缺情况下的泛化测试。通过将临床关键的时序特征（如QT间期持续时间）编码为结构化的颜色表示，模型可从仅一个或五个训练样本中学习到判别性且可解释的特征。我们使用原型网络和ResNet-18架构，对基于单个心脏周期和完整10秒节律的ECG图像进行一次和少样本学习。解释性分析表明，伪着色引导注意力聚焦于临床意义的ECG特征，同时抑制无关信号成分。进一步地，将多个心脏周期聚合后性能提升，类似于人类在多个心跳之间进行感知平均。综上所述，这些发现表明，类人感知编码可桥接医学人工智能中的数据效率、解释性和因果推理。
引用
@article{arxiv.2512.22349,
title = {Human-like visual computing advances explainability and few-shot learning in deep neural networks for complex physiological data},
author = {Alaa Alahmadi and Mohamed Hasan},
journal= {arXiv preprint arXiv:2512.22349},
year = {2025}
}