Resumen Técnico: Separación de la Retención de Expertos de la Inferencia Autónoma de la Fuente en el Despliegue Continuo de ECG Libre de Repetición de ECG Crudos

1. Planteamiento del Problema

El artículo aborda el desafío de desplegar sistemas de Electrocardiograma (ECG) en entornos de aprendizaje continuo multi-fuente donde no se pueden retener ni repetir los datos históricos crudos debido a restricciones de gobernanza y de intercambio de datos. Se establece una distincción crítica entre dos problemas acoplados pero distintos:

1. Retención de Expertos: La capacidad de mantener fronteras de decisión específicas de cada fuente para nuevos dominios sin sobrescribir el conocimiento previo (interferencia de parámetros).
2. Inferencia Autónoma de la Fuente: La capacidad de identificar correctamente la fuente del dominio de un ECG de prueba y seleccionar el experto apropiado cuando los metadatos de la fuente (p. ej., ID del hospital, tipo de dispositivo) no están disponibles en el momento de la inferencia.

Los autores argumentan que, si bien el aislamiento de parámetros (congelar las arquitecturas base y añadir cabezales aislados) resuelve la retención, no resuelve el despliegue si el sistema no puede dirigir autónomamente las entradas al experto correcto. Tratar el rendimiento consciente de la fuente como una solución completa oculta el principal modo de fallo en escenarios del mundo real donde la fuente es desconocida.

2. Metodología: IRFE-ECG

El marco propuesto, IRFE-ECG (ECG de Características Crudas e Incremental de Expertos), opera bajo un protocolo de "libre de repetición de ECG crudos". Utiliza un modelo fundacional congelado y un banco de expertos incrementales.

• Backbone Congelado: El sistema utiliza ECGFounder, un modelo fundacional preentrenado, como extractor de características fijo. Mapea ECGs de una sola derivación a vectores de características de 1024 dimensiones ($h$). Los parámetros del backbone ($\theta$) nunca se actualizan.
• Banco de Expertos Incrementales: A medida que llega cada nuevo dominio $t$, se entrena un nuevo experto lineal aislado $g_t$ sobre las características congeladas.
  • Arquitectura: $g_t(h) = W_t h + b_t$.
  • Entrenamiento: Los expertos se optimizan utilizando Balanced Softmax para manejar el desequilibrio de clases, con umbrales de decisión específicos del dominio ($\tau_t$) calibrados en datos de validación.
  • Aislamiento: Una vez entrenados, los expertos y el backbone se congelan; nunca se actualizan para dominios subsiguientes.
• Router Autónomo: Dado que los IDs de las fuentes no están disponibles en el momento de la prueba, un router ligero se entrena para inferir el dominio de la fuente.
  • Memoria: El router se entrena utilizando vectores de características congeladas retenidos y etiquetas de dominio de todos los dominios previamente observados. No se almacenan ni se repiten las formas de onda de ECG crudas.
  • Arquitectura: Un MLP compacto con una entrada de 1024 dimensiones, LayerNorm, una capa oculta de 128 unidades, activación GELU y dropout.
  • Entrenamiento: El router se reajusta después de observar cada nuevo dominio, utilizando una pérdida de entropía cruzada sobre el conjunto de características almacenadas.
• Estrategia de Inferencia (Fusión de Margen Top-2): En lugar de comprometerse con un único experto "Top-1", el sistema identifica los dos expertos más probables ($K(h)$) basados en los logits del router. Fusiona sus salidas utilizando una regla de margen calibrada por validación:
  $$m(h) = \sum_{k \in K(h)} \alpha_k(h) (p_k(h) - \tau_k)$$
  donde $p_k$ es la probabilidad predicha y $\tau_k$ es el umbral específico del dominio. La predicción final es positiva si $m(h) \geq 0$.

3. Contribuciones Clave

1. Formulación del Problema: El artículo desacopla explícitamente la retención de expertos de la inferencia autónoma de la fuente en el contexto del aprendizaje continuo libre de datos crudos. Postula que la retención es resoluble mediante el aislamiento de parámetros, pero la inferencia sigue siendo el cuello de botella.
2. Marco IRFE-ECG: Los autores instancian esta formulación utilizando un backbone de ECGFounder congelado, expertos lineales de Balanced-Softmax aislados y un router MLP autónomo entrenado en características retenidas.
3. Análisis Empírico del Cuello de Botella: A través de una evaluación extensa en cuatro conjuntos de datos de ECG (CPSC, PTB-XL, Georgia, Chapman-Shaoxing), el estudio demuestra que la brecha de rendimiento entre la selección de oráculo consciente de la fuente y el enrutamiento autónomo es la limitación primaria, no el olvido de los parámetros de los expertos.

4. Resultados Experimentales

Los experimentos se realizaron en cuatro dominios con tres semillas aleatorias. Hallazgos clave incluyen:

• Rendimiento Consciente de la Fuente vs. Autónomo:
  • Oráculo Consciente de la Fuente: Logra un Macro-F1 de 0.7915 ± 0.0036. Este rendimiento es casi idéntico a la referencia de cabezal independiente offline emparejado (0.7885), confirmando que el aislamiento secuencial previene eficazmente la interferencia de parámetros.
  • Enrutamiento Autónomo (MLP): Logra un Macro-F1 de 0.7756 ± 0.0027.
  • Fusión de Margen Top-2: Logra un Macro-F1 de 0.7782 ± 0.0022.
• Significancia de las Brechas:
  • La ganancia de la fusión Top-2 sobre el enrutamiento rígido Top-1 es pequeña (+0.0026) y estadísticamente insignificante (el IC del 95% incluye cero).
  • La brecha entre el modelo autónomo Top-2 y el oráculo consciente de la fuente se mantiene entre 0.0111 y 0.0133 a través de diferentes órdenes de dominio.
• Precisión del Enrutamiento: El router MLP logra una precisión de enrutamiento del 81.5%, superando significativamente a los clasificadores de centroide, kNN y lineales, pero dejando aún una tasa de error medible que impacta el Macro-F1 final.
• Compromiso de Memoria: El sistema no es "libre de memoria", ya que retiene vectores de características congeladas. Sin embargo, retener solo el 10% de las características de entrenamiento reduce el almacenamiento de ~140 MiB a ~14 MiB con una caída de solo 0.0063 en el Macro-F1 comparado con la memoria completa.
• Comparación con Baselines: Los baselines de parámetros compartidos (p. ej., EWC, LwF, pequeño replay) sufren de una transferencia hacia atrás negativa (BWT) y un Macro-F1 final más bajo (0.64–0.73) en comparación con el banco de expertos enrutados (0.7782).

5. Significancia y Reivindicaciones

El artículo afirma que la inferencia autónoma de la fuente es el factor limitante para el despliegue de bancos de expertos aislados en escenarios de ECG con fuente desconocida, más que la capacidad de retener los parámetros de los expertos.

• Reivindicaciones Modestas sobre la Fusión: La fusión de margen Top-2 se presenta como un "refinamiento operativo modesto" en lugar de un avance disruptivo, ya que no cierra estadísticamente la brecha con el enrutamiento rígido.
• Limitaciones Reconocidas:
  • Fuga a Nivel de Paciente: El estudio utiliza el agrupamiento por hash de la forma de onda para evitar duplicados exactos de formas de onda, pero no puede garantizar la separación a nivel de paciente debido a la falta de identificadores de pacientes fiables en las divisiones procesadas. Los resultados son métricas a nivel de registro, no validaciones clínicas.
  • Memoria: El método no es libre de memoria; requiere almacenar vectores de características congeladas para las actualizaciones del router.
  • Alcance: Los hallazgos son específicos para la clasificación binaria de normal/anormal en ECG de una sola derivación y pueden no generalizarse directamente a diagnósticos multietiqueta o diferentes divisiones de datos.
• Conclusión: El sistema separa con éxito la retención de expertos de la inferencia, demostando que, aunque los expertos pueden preservarse perfectamente, la capacidad de dirigir autónomamente las entradas hacia ellos sin metadatos sigue siendo el "principal cuello de botella restante". El trabajo futuro debe centrarse en mejorar la inferencia de la fuente y validar las divisiones a nivel de paciente antes de reclamar un despliegue clínico robusto.