Resumen Técnico: MAR-ECG

Enunciado del Problema

El electrocardiograma (ECG) de 12 derivaciones es una señal espacio-temporal compleja que contiene información diagnóstica que abarca desde la morfología de la forma de onda en milisegundos hasta la dinámica del ritmo en varios segundos. Los enfoques existentes de aprendizaje de representaciones enfrentan dos limitaciones principales:

1. Aprendizaje Auto-supervisado (SSL) solo de Señal: Los métodos que utilizan reconstrucción de parches enmascarados, predicción latente o aprendizaje contrastivo sobre datos no etiquetados a menudo aprenden estructuras morfológicas de bajo nivel, pero fallan en capturar las relaciones clínicas estructuradas requeridas para tareas diagnósticas posteriores.
2. Alineación Multimodal ECG-Texto: Si bien los métodos al estilo CLIP que alinean señales de ECG con informes clínicos emparejados logran un rendimiento de vanguardia (SOTA), dependen de corpus de texto costosos y con licencia que no se transfieren bien entre hospitales o idiomas. Además, los informes de ECG suelen estar plantillados, generando incrustaciones de texto agrupadas que carecen de señal discriminativa en comparación con los informes de radiología de texto libre.

Crucialmente, ambos paradigmas pasan por alto un recurso estructurado disponible en prácticamente cada registro clínico: los códigos diagnósticos SNOMED-CT. Estos códigos forman una ontología cardíaca curada que codifica relaciones clínicas (por ejemplo, jerarquías padre-hijo, co-ocurrencias entre hermanos) con mayor precisión que las narrativas de texto libre y están estandarizados entre instituciones.

Metodología: MAR-ECG

Los autores proponen MAR-ECG (Representación Autoregresiva Enmascarada para ECG), un marco guiado por ontologías que supervisa el codificador directamente utilizando un grafo curado de conceptos cardíacos SNOMED-CT de 40 nodos ($G$) en lugar de texto clínico emparejado. El marco combina una columna vertebral autoregresiva enmascarada (MAR) con dos objetivos complementarios guiados por ontologías.

1. Arquitectura de la Columna Vertebral

• Tokenización de Entrada: La señal de ECG de 12 derivaciones se segmenta en parches temporales superpuestos por derivación. Una proyección lineal compartida incrusta estos parches en tokens, aumentados con incrustaciones de derivación y posición aprendibles.
• Codificador: Un transformador bidireccional emplea atención factorizada espacial-antes-temporal. Primero atiende a través de las 12 derivaciones en un solo instante de tiempo, luego a través del tiempo dentro de una sola derivación. Esto reduce la complejidad de $O(C^2T^2)$ a $O(CT^2 + C^2T)$ mientras preserva el sesgo inductivo de que los patrones de ECG surgen de interacciones en ambos ejes.
• Reconstrucción Autoregresiva Enmascarada: Una fracción de pares (derivación, parche) se enmascara. Un decodificador causal predice los valores originales de los parches condicionado al contexto bidireccional completo del codificador. Esto sirve como el ancla principal de preentrenamiento.

2. Aprendizaje Contrastivo Suavizado por Grafo (GSCL)

Este objetivo ancla la representación agrupada por ritmo (agregada a través de derivaciones y tiempo) al grafo SNOMED.

• Objetivos Suaves: En lugar de etiquetas one-hot duras, GSCL utiliza una distribución de objetivos suaves derivada de la distancia geodésica del grafo ($D_{tree}$) entre el concepto positivo primario ($c^*_b$) y todos los demás nodos en el grafo.
• Mecanismo: La probabilidad objetivo para un concepto $c$ es proporcional a $\exp(-D_{tree}[c^*_b, c] / \sigma)$. Esto asegura que los conceptos clínicamente relacionados (por ejemplo, raíces padre, atajos entre hermanos) actúen como "positivos suaves" en lugar de negativos duros, reforzando la comprensión del codificador de la jerarquía clínica.
• Generación de Prototipos: Los prototipos de conceptos se generan dinámicamente mediante una Red de Convolución de Grafos (GCN) ligera aplicada a la adyacencia fija del grafo, asegurando que la similitud estructural se inyecte en el espacio de representación.

3. Supervisión Fisiológica Multiescala (MSPS)

Para abordar las brechas en GSCL (que opera a nivel de muestra), MSPS introduce cabezales auxiliares ligeros en la representación por parche (media de derivación):

• Auxiliar de Ritmo de Parche: Predice estadísticas de ritmo a nivel de muestra (intervalo R-R medio, variabilidad, grupo de frecuencia cardíaca, indicador de alternancia) transmitido a todos los parches.
• Auxiliar de Posición de Parche: Predice grupos de posición de secuencia y fases de pico R (PRE-R, R, ST, OLA-T) basados en la detección no supervisada del pico R.
• Beneficio: Esto extiende la supervisión a las escalas de latido y ritmo sin requerir anotaciones adicionales, previniendo el colapso de tokens y anclando el modelo a hitos fisiológicos.

4. Objetivo de Entrenamiento

La pérdida total combina la pérdida de reconstrucción autoregresiva enmascarada con GSCL, MSPS y regularizadores auxiliares estándar (predicción latente, contraste de vistas y un cabezal de alineación de concepto-texto de múltiples prototipos heredado). El decodificador se descarta después del preentrenamiento; solo se retiene el codificador para la evaluación posterior.

Contribuciones Clave

1. Preentrenamiento Guiado por Ontología: MAR-ECG es el primer método auto-supervisado de ECG que utiliza una estructura de grafo-ontología como objetivo principal de preentrenamiento, eliminando la necesidad de texto clínico emparejado.
2. Aprendizaje Contrastivo Suavizado por Grafo: Introduce un objetivo contrastivo novedoso que suaviza la distribución de objetivos InfoNCE utilizando distancias geodésicas del grafo, permitiendo que los conceptos clínicamente relacionados se refuercen mutuamente.
3. Supervisión Fisiológica Multiescala: Extiende la supervisión más allá del nivel de muestra a los niveles de parche y latido utilizando estadísticas fisiológicas extraídas automáticamente, cerrando la brecha entre la morfología y la dinámica del ritmo.
4. Eficiencia de Recursos: Al aprovechar los códigos SNOMED-CT (inherentes a los flujos de trabajo clínicos) en lugar de informes de texto libre, el método evita barreras de licencia y problemas de transferencia entre idiomas.

Resultados

El modelo se preentrenó en $\sim$40,000 ECGs de 12 derivaciones de acceso público con códigos SNOMED-CT y se evaluó mediante sondeo lineal congelado en cinco conjuntos de clasificación posteriores (subconjuntos de PTB-XL y CPSC2018).

• Rendimiento frente a Líneas Base: MAR-ECG supera consistentemente a las líneas base autoregresivas enmascaradas fuertes (por ejemplo, configuración C1). En el régimen de pocas etiquetas (1% y 10% de etiquetas), añadir GSCL (C2) produce ganancias significativas (por ejemplo, +16.99 AUC en PTBXL-Ritmo con 1% de etiquetas).
• Comparación con Métodos Multimodales: A pesar de la ausencia de texto clínico emparejado, MAR-ECG logra un rendimiento competitivo con métodos multimodales ECG-texto de vanguardia (por ejemplo, MERL, MELP, D-BETA). Específicamente, MAR-ECG (C2) iguala o supera a las líneas base multimodales en 9 de 15 celdas de evaluación.
• Ablación: La adición de Supervisión Fisiológica Multiescala (C3) afina aún más el rendimiento en tareas pesadas de ritmo, aunque incurre en un compromiso menor en tareas solo de morfología.

Significado y Afirmaciones

El artículo afirma que las ontologías diagnósticas estructuradas pueden sustituir efectivamente a la supervisión de texto libre en el aprendizaje de representaciones de ECG. Al alinear el codificador directamente con el grafo SNOMED-CT, MAR-ECG captura las relaciones clínicas necesarias para tareas posteriores sin las restricciones de datos de los enfoques multimodales. Los autores postulan que este enfoque ofrece una alternativa escalable y libre de licencias para desarrollar modelos base de ECG robustos, particularmente en entornos donde el texto clínico emparejado no está disponible o no está estandarizado. La implementación se pone a disposición para facilitar la reproducibilidad.