基于原型学习从 ECG 中创建细化可解释数字表型
机器学习
2026-05-28 v2
摘要
原型神经网络通过将输入与基于训练数据中学习到的、以训练数据为锚点的代表性信号模式进行比较来实现可解释预测。尽管此类模型在生理数据分类方面显示出前景，但是否清楚这些原型是否捕获了与更广泛临床表型一致的底层结构仍不清楚。我们使用针对多标签 ECG 分类训练的原型深度学习模型，然后在不做任何修改的情况下对 MIMIC-IV 临床数据库进行推断。我们评估单个原型（仅用于分类）是否与来自该外部人群的出院诊断以 phecode 形式关联。与分类器的类别预测、从 NLP 中提取的概念或更广泛的原型类别相比，单个原型在所有 phecode 类别中均显示出显著更强且更具体的临床结果关联。具有混合显著性模式的原型类别在类别内距离上显著更大（p < 0.0001），表明该模型学习了在诊断类别内部区分临床上有意义的变异。这些原型在各种条件下均实现了强预测性能，AUC 从心房颤动的 0.89 到心力衰竭的 0.91不等，同时也显示出对非心血管疾病如败血症和肾病的显著信号。这一发现表明，原型神经模型可以支持从生理时间序列数据中实现可解释的数字表型化，提供捕获其原始训练目标之外的临床上有意义生理特征的可迁移中间表型。
引用
@article{arxiv.2508.01521,
title = {Prototype Learning to Create Refined Interpretable Digital Phenotypes from ECGs},
author = {Sahil Sethi and David Chen and Michael C. Burkhart and Nipun Bhandari and Bashar Ramadan and Brett Beaulieu-Jones},
journal= {arXiv preprint arXiv:2508.01521},
year = {2026}
}
备注
Accepted (oral) to the 31st Pacific Symposium on Biocomputing