使用监督变分自编码器从胎心监护信号预测胎儿结局
机器学习
2025-09-09 v1
摘要
目的：开发并解释一种监督变分自编码器（VAE）模型，用于基于妊娠结局对胎心监护（CTG）信号进行分类，解决当前深度学习方法的可解释性局限。方法：使用 OxMat CTG 数据集训练 VAE，基于产后结局标记的五分钟胎心率（FHR）片段。模型针对信号重建和结局预测进行了优化，引入 Kullback-Leibler 散度和总相关性（TC）约束以结构化潜在空间。使用受试者工作特征曲线下面积（AUROC）和均方误差（MSE）评估性能。可解释性通过决定系数、潜在遍历和无监督成分分析进行评估。结果：模型在片段级别达到 AUROC 0.752，在 CTG 级别达到 AUROC 0.779（预测分数经聚合）。放松 TC 约束同时改善了重建和分类。潜在分析表明，基于基线的特征（如 FHR 基线、基线偏移）得到了良好表示并与模型分数对齐，而短时和长时变异性等指标编码较弱。遍历揭示了基线特征的明显信号变化，而其他属性则纠缠或微弱。无监督分解证实了这些模式。结果：本工作表明监督 VAE 可以在实现具有竞争力的胎儿结局预测的同时部分编码具有临床意义的 CTG 特征。FHR 信号不规则的多时间尺度特性为分离生理成分带来了挑战，使 CTG 与心电图等更周期性的信号区分开来。尽管未实现完全可解释性，但该模型支持具有临床用的结局预测，并为未来可解释的生成模型奠定了基础。
引用
@article{arxiv.2509.06540,
title = {Predicting Fetal Outcomes from Cardiotocography Signals Using a Supervised Variational Autoencoder},
author = {John Tolladay and Beth Albert and Gabriel Davis Jones},
journal= {arXiv preprint arXiv:2509.06540},
year = {2025}
}