ProtoEFNet：基于动态原型学习的可解释心脏射血分数估计
计算机视觉与模式识别
2025-12-04 v1 人工智能
机器学习
摘要
射血分数（EF）是评估心脏功能和诊断心力衰竭等疾病的关键指标。传统方法需要手动描绘和专业知识，过程耗时且受观察者间变异性影响。目前大多数深度学习EF预测方法是黑箱模型，透明度有限，降低临床信任度。虽有一些事后解释方法试图解释预测决策，但这些解释仅在预测后提供，无法引导模型内部推理，在临床应用中可靠性有限。为此，我们提出ProtoEFNet，这是一种基于视频的动态原型学习模型，用于连续EF回归。该模型学习动态时空原型，捕捉临床意义的心脏运动模式。此外，提出的原型角度分离（PAS）损失函数在连续EF谱上强制特征具有判别性。我们在EchonetDynamic数据集上进行实验，表明ProtoEFNet在准确率上与其非可解释对手相当，同时提供临床相关的洞察。消融研究表明，所提损失函数通过将F1分数从77.67±2.68提升至79.64±2.10，提高了约2%的性能。我们的源代码已公开：https://github.com/DeepRCL/ProtoEF
引用
@article{arxiv.2512.03339,
title = {ProtoEFNet: Dynamic Prototype Learning for Inherently Interpretable Ejection Fraction Estimation in Echocardiography},
author = {Yeganeh Ghamary and Victoria Wu and Hooman Vaseli and Christina Luong and Teresa Tsang and Siavash Bigdeli and Purang Abolmaesumi},
journal= {arXiv preprint arXiv:2512.03339},
year = {2025}
}
备注
11 pages, Accepted in IMIMIC Workshop at MICCAI 2025