Resumen Técnico: DeepArrhythmia

Definición del Problema

La detección de arritmias en electrocardiogramas (ECG) a nivel de latido tiene como objetivo asignar una clase de arritmia (Normal, Ectópica Supraventricular, Ectópica Ventricular o Fusión) a cada latido individual dentro de una grabación. Aunque los sistemas automatizados existentes han logrado avances sustanciales, a menudo tratan los latidos como instancias locales aisladas, utilizando ventanas centradas en latidos cortos o recortes de latidos aislados como entrada. Este enfoque es fundamentalmente limitado porque la clasificación a nivel de latido no es puramente local; la evidencia requerida para clasificar un latido a menudo se extiende más allá del complejo objetivo hacia el contexto rítmico circundante.

Por ejemplo, distinguir entre Latidos Ectópicos Ventriculares (VEB) y Latidos Ectópicos Supraventriculares (SVEB) a menudo requiere analizar la temporización (ocurrencia prematura, pausas compensatorias) y la consistencia morfológica en relación con los latidos vecinos, en lugar de solo la forma local del complejo QRS. Los modelos actuales de extremo a extremo que procesan contextos más largos a menudo no logran fundamentar explícitamente sus predicciones en anclajes fisiológicos (por ejemplo, ubicaciones de picos R, mediciones de intervalos específicos), lo que dificulta verificar si una decisión está respaldada por señales de ECG reconocibles. Además, adquirir indiscriminadamente evidencia fisiológica rica para todos los segmentos es ineficiente; para segmentos fáciles, las mediciones adicionales añaden costo computacional sin mejorar la precisión, mientras que para señales ruidosas, la evidencia auxiliar puede introducir ruido.

Metodología: DeepArrhythmia

DeepArrhythmia es un marco multimodal basado en herramientas diseñado para la clasificación de latidos en ECG contextualizada por segmentos. Opera sobre segmentos de ECG multilatido de 10 segundos e integra señales de ECG crudas, imágenes de formas de onda renderizadas y evidencia fisiológica estructurada a través de un agente multimodal central.

Arquitectura Central

El marco desacopla la medición fisiológica de la integración de evidencia utilizando herramientas especializadas:

1. Detector de Picos: Un modelo 1D-UNet++ localiza los picos R para identificar instancias de latidos. Estos picos sirven como anclajes temporales para alinear características numéricas, análisis morfológico y la salida estructurada final.
2. Extractor de Características: Genera mediciones numéricas explícitas de ritmo y morfología (por ejemplo, intervalos RR, RR normalizado, amplitud del pico R, estadísticas de orden superior y descriptores numéricos de morfología) para cada latido.
3. Analizador de Morfología: Un modelo de visión-idioma entrenado mediante destilación de conocimiento (utilizando un LLM maestro) para generar razonamientos textuales de morfología basados en recortes de imágenes centrados en latidos y características numéricas. Esto proporciona evidencia textual interpretable y centrada en la morfología.
4. Agente Multimodal Central: Un modelo de lenguaje grande (LLM) base (Qwen3.5-4B) que consume tokens de señal, tokens de imagen y salidas de herramientas serializadas para producir predicciones a nivel de latido.

Adquisición Selectiva de Evidencia Guiada por Confianza

Una innovación clave es la Calculadora de Confianza, que actúa como una herramienta de control de evidencia. El sistema opera en dos estados de evidencia:

• Estado de Evidencia Mínima ($E_{min}$): Contiene la señal, la imagen y los anclajes de latidos.
• Estado de Evidencia Rica ($E_{rich}$): Aumenta $E_{min}$ con características numéricas y análisis morfológico textual.

El sistema genera primero una predicción inicial bajo el estado mínimo. Luego, calcula una puntuación de confianza a nivel de segmento ($C_{seg}$) promediando las probabilidades máximas de clase de todos los latidos en el segmento.

• Si $C_{seg} \geq \tau$ (un umbral específico del conjunto de datos), el sistema devuelve la predicción de evidencia mínima.
• Si $C_{seg} < \tau$, el sistema invoca selectivamente el Extractor de Características y el Analizador de Morfología para adquirir evidencia rica antes de producir una predicción refinada.

Esta política de enrutamiento equilibra la compensación entre decisiones con evidencia insuficiente en segmentos difíciles y dependientes del ritmo, y decisiones con exceso de evidencia donde herramientas adicionales añaden costo o ruido.

Estrategia de Entrenamiento

DeepArrhythmia emplea un proceso de ajuste fino supervisado (SFT) enmascarado en dos etapas:

1. Etapa 1 (Especialización): Se entrenan dos agentes específicos de rama. Uno aprende a predecir bajo evidencia mínima, y el otro bajo evidencia rica. Esto establece la sintaxis de salida y la alineación entre los anclajes de latidos y las etiquetas de clase.
2. Etapa 2 (Enrutamiento): Un agente enrutado se entrena en una división retenida para aprender la política de adquisición controlada por confianza. El modelo se entrena para decidir si detenerse después de la evidencia mínima o invocar herramientas adicionales basándose en la puntuación de confianza calculada.

Contribuciones Clave

1. Predicción Contextualizada por Segmento: Los autores reformulan la clasificación a nivel de latido como una predicción alineada con picos dentro de segmentos multilatido, permitiendo que las decisiones combinen la morfología local con el contexto rítmico circundante (temporización, pausas compensatorias, consistencia entre latidos).
2. Agente Multimodal Basado en Herramientas: El marco separa la medición fisiológica de la integración de evidencia. Herramientas especializadas proporcionan evidencia intermedia estructurada (mediciones numéricas y descripciones textuales) que sirve tanto como entrada para la predicción como evidencia auditable para la interpretación.
3. Adquisición Selectiva Guiada por Confianza: El artículo propone utilizar la confianza del modelo como una puerta de evidencia para adquirir selectivamente evidencia fisiológica más rica solo cuando sea necesario, abordando el valor marginal no uniforme de dicha evidencia en diferentes segmentos.

Resultados Experimentales

El marco fue evaluado en cuatro conjuntos de datos públicos: MIT-BIH Arrhythmia, MIT-BIH Supraventricular, INCART y VitalDB Arrhythmia, utilizando divisiones disjuntas por sujeto para garantizar la generalización.

• Rendimiento: Las variantes de DeepArrhythmia lograron el mejor rendimiento o empataron con el mejor en todos los conjuntos de datos y métricas (Macro-F1 y Micro-F1) en comparación con el aprendizaje automático convencional (SVM), el aprendizaje profundo (CNN, Transformers, TCN) y los Modelos de Visión-Lenguaje (VLM) existentes.
• Valor Contextual: Los resultados demuestran que el contexto a nivel de segmento y la fundamentación fisiológica estructurada mejoran significativamente la clasificación a nivel de latido. El marco superó a las líneas base de fusión no agénticas, lo que indica que la arquitectura del modelo juega un papel central en la traducción de evidencia heterogénea en predicciones precisas.
• Adquisición Selectiva: El modelo enrutado inducido por el umbral coincidió consistentemente o superó el rendimiento de una línea base de enrutamiento simple, al tiempo que reducía la dependencia de evidencia no informativa. El análisis mostró que la evidencia más rica mejoró principalmente el rendimiento en segmentos de baja confianza (difíciles), mientras que los segmentos de alta confianza se beneficiaron menos, validando la estrategia de adquisición selectiva.
• Interpretabilidad: Las evaluaciones de expertos humanos de los análisis morfológicos generados mostraron puntuaciones altas en corrección fisiológica y utilidad clínica. Se encontró que las explicaciones generadas eran fieles a la evidencia utilizada, como lo demuestran las pruebas de perturbación dirigidas donde interrumpir las señales citadas (por ejemplo, ancho del QRS, intervalos RR) degradó significativamente la precisión.

Significado y Afirmaciones

El artículo afirma que DeepArrhythmia ofrece una alternativa práctica a invocar siempre todas las herramientas, logrando una compensación favorable entre precisión y eficiencia. Al desacoplar la medición de la integración, el marco produce predicciones que son tanto más precisas como más interpretables, reteniendo la evidencia intermedia para el análisis de errores y la revisión por expertos.

Los autores posicionan a DeepArrhythmia no como un sistema de diagnóstico autónomo, sino como un marco de apoyo a la decisión asistido. El significado radica en operacionalizar décadas de progreso en el procesamiento de señales fisiológicas (detectores, extractores de características) integrándolos en un bucle de razonamiento unificado orquestado por un VLM. Este enfoque permite la integración extensible de conocimiento del dominio mientras se mantiene la coordinación entre modalidades.

El artículo reconoce limitaciones, incluyendo:

• Heterogeneidad del rendimiento entre clases, particularmente para latidos de fusión raros.
• Sensibilidad al contexto temporal incompleto y a la baja calidad de la señal.
• Generalización limitada entre conjuntos de datos, lo que sugiere la necesidad de un enrutamiento consciente de la incertidumbre robusto en trabajos futuros.
• El carácter retrospectivo del estudio, lo que significa que la utilidad prospectiva en diversas instituciones y dispositivos debe establecerse.

Los autores concluyen que el marco debe utilizarse para asistir, no reemplazar, el juicio clínico, con trabajos futuros centrados en la validación multicéntrica y la evaluación prospectiva del flujo de trabajo.