通过跨模态特征归因验证CineECG 3D 重构的临床实用性
图像与视频处理
2026-05-01 v1 机器学习
机器学习
摘要
12导联电生理图(ECG)分析的深度学习模型在诊断性能上取得高水平，但缺乏临床集成所需的直观可解释性。标准特征归因方法受限于将抽象波形波动映射到解剖解剖病变的困难。为解决此问题，我们提出了一种跨模态方法，将来自高性能12导联ECG模型的特征归因映射到CineECG 3D解剖空间。我们的研究表明，虽然直接在CineECG信号上训练的模型因准确率降低和归因不连贯而受限，但所提出的映射机制有效恢复了临床相关的特征排序。通过验证20个由领域专家标注的基准数据集，映射后的解释结果在Dice得分上达到0.56，显著优于标准12导联归因的0.47基准。这些发现表明，跨模态平均映射有效过滤了归因不稳定性，提高了病理特征的局部分辨，将标准ECG的诊断表达力与解剖可视化的直观清晰度相结合。
引用
@article{arxiv.2604.27017,
title = {Validating the Clinical Utility of CineECG 3D Reconstructions through Cross-Modal Feature Attribution},
author = {Karol Dobiczek and Maciej Mozolewski and Szymon Bobek and Michał Szafarczyk and Peter van Dam and Grzegorz J. Nalepa},
journal= {arXiv preprint arXiv:2604.27017},
year = {2026}
}
备注
Accepted to the CompHealth workshop at the 26th International Conference on Computational Science