通过反事实的可解释心电图分析以检测心肌梗死
信号处理
2024-12-09 v3
摘要
在不断发展ECG信号分析领域，机器学习模型透明度有限的问题仍是将其有效整合入临床实践的重要障碍。本研究通过调查使用反事实解释来改善临床医生对模型的可解释性，特别是在区分健康受试者与心肌梗死患者方面，解决此问题。利用PTB-XL数据集，我们开发了系统特征提取与精炼方法，为反事实分析做准备。这导致了可视化心电图反事实线索（Visualizing Counterfactual Clues on Electrocardiograms, VCCE）方法的创建，旨在提升反事实解释在临床环境中的实用性。我们使用反映反事实诊断相关性的自定义指标评估了方法的有效性，并在两名心脏病专家帮助下评价。我们的发现表明，该方法可支持未来利用ECGs预测心脏疾病患者结果的工作，对高质量和中等质量解释分别获得23.29 1.04和20.28 0.99（满分25）的解释有效性得分。高质量和中等质量解释的临床一致性得分分别为0.83 0.12和0.57 0.10，凸显了我们方法的潜在临床适用性。本研究的方案与发现有助于关于增强心脏病学中机器学习模型可解释性的持续讨论，提供了一种弥合先进数据分析技术与临床决策之间差距的概念。研究源代码见 https://github.com/tanyelai/vcce。
引用
@article{arxiv.2312.08304,
title = {Interpretable ECG Analysis for Myocardial Infarction Detection through Counterfactuals},
author = {Toygar Tanyel and Sezgin Atmaca and Kaan Gökçe and M. Yiğit Balık and Arda Güler and Emre Aslanger and İlkay Öksüz},
journal= {arXiv preprint arXiv:2312.08304},
year = {2024}
}