基于查询的潜在空间遍历 (qLST) 的可解释心电图分类
机器学习
2021-11-23 v2 人工智能
信号处理
摘要
心电图 (ECG) 是一种测量心脏电活动的有效且无创的诊断工具。通过解读 ECG 信号来检测各种异常是一项需要专业知识的挑战性任务。近年来，利用深度神经网络进行 ECG 分类以辅助医疗从业者变得流行，但其黑盒性质阻碍了临床应用。目前已提出几种基于显著性的可解释性技术，但它们仅指出了重要特征的位置，而非实际特征。我们提出了一种名为 qLST 的新型可解释性技术，这是一种基于查询的潜在空间遍历技术，能够为任何 ECG 分类模型提供解释。利用 qLST，我们训练了一个神经网络，该网络学习在变分自编码器的潜在空间中进行遍历，该编码器在一个包含超过 800,000 条标注了 28 种疾病的 ECG 的大型大学医院数据集上训练。我们通过实验证明，可以通过在这些遍历中生成 ECG 来解释不同的黑盒分类器。
引用
@article{arxiv.2111.07386,
title = {Interpretable ECG classification via a query-based latent space traversal (qLST)},
author = {Melle B. Vessies and Sharvaree P. Vadgama and Rutger R. van de Leur and Pieter A. Doevendans and Rutger J. Hassink and Erik Bekkers and René van Es},
journal= {arXiv preprint arXiv:2111.07386},
year = {2021}
}
备注
Machine Learning for Health (ML4H) - Extended Abstract