Wavelet-Domain Multi-Representation and Ensemble Learning for Automated ECG Analysis

Este estudio demuestra que un modelo de aprendizaje profundo basado en un conjunto de representaciones de tiempo-frecuencia (escaloogramas y fasoogramas) mediante la Transformada Wavelet Continua, combinado con estrategias de fusión y pérdida ponderada, logra un alto rendimiento en la clasificación de ECGs del conjunto de datos PTB-XL, superando a los enfoques unimodales.

Lo esencial

¡Hola! Imagina que el corazón es como un orquesta muy compleja. A veces, los músicos (las células del corazón) tocan a la perfección, pero otras veces, un violín desafina o un tambor se descompone. El problema es que, para un médico humano, escuchar esa orquesta y detectar exactamente qué instrumento falla es como buscar una aguja en un pajar: es difícil, cansado y a veces los médicos no se ponen de acuerdo.

Este artículo presenta una nueva forma de "escuchar" al corazón usando inteligencia artificial, pero con un truco especial: no solo escuchan el sonido, sino que miran su "huella digital" en el tiempo y en el color.

Aquí te explico cómo funciona, paso a paso, con analogías sencillas:

1. El Problema: Solo escuchar no basta

Normalmente, los médicos miran el electrocardiograma (ECG) como una línea que sube y baja en el tiempo (como una montaña rusa). La inteligencia artificial actual intenta aprender de esa línea. Pero el artículo dice: "¡Espera! Si solo miras la línea, te pierdes detalles importantes". Es como intentar entender una canción solo leyendo la letra, sin escuchar la melodía ni la armonía.

2. La Solución Mágica: La "Transformada de Ondecitas" (Wavelet)

Los autores usan una herramienta matemática llamada Transformada de Ondecitas (CWT). Imagina que tienes una foto borrosa de un paisaje.

• Lo normal: Miras la foto y dices "hay un árbol".
• Lo que hace esta herramienta: Descompone la foto en dos mapas especiales:
  1. El Mapa de Energía (Scalogram): Es como ver cuánta luz hay en cada parte de la foto. Nos dice dónde el corazón está "trabajando duro" o vibrando fuerte.
  2. El Mapa de Fase (Phasogram): Es como ver la dirección del viento en la foto. Nos dice el "ritmo" y la sincronización de los movimientos.

Al convertir la línea del corazón en estas dos imágenes (como si fueran mapas de calor y mapas de viento), la computadora puede "ver" patrones que antes eran invisibles.

3. El Equipo de Detectives (Aprendizaje por Ensamble)

En lugar de tener un solo detective (un solo modelo de inteligencia artificial) revisando las pruebas, los autores crearon un equipo de expertos:

• El Detective 1: Mira solo la línea original (la montaña rusa).
• El Detective 2: Mira el mapa de energía (Scalogram).
• El Detective 3: Mira el mapa de dirección (Phasogram).

Luego, tienen dos formas de trabajar en equipo:

• Fusión Temprana (Early Fusion): Los tres detectives se sientan en la misma mesa desde el principio y mezclan sus notas para crear un solo informe gigante.
• Fusión Tardía (Late Fusion): Cada detective trabaja solo, hace su propio informe, y al final, un jefe los junta para tomar la decisión final.

El resultado: Descubrieron que cuando los detectives combinan sus puntos de vista (especialmente mezclando la energía y la dirección), el equipo es mucho más preciso que cualquiera de ellos por separado.

4. El Truco Final: Darle más importancia a los casos difíciles

El problema es que en el hospital hay muchos pacientes sanos y muy pocos con enfermedades raras. La inteligencia artificial tiende a ignorar los casos raros porque "es más fácil acertar diciendo que todos están sanos".

Para arreglarlo, usaron una técnica llamada "Pérdida Focal Ponderada".

• La analogía: Imagina que estás enseñando a un niño a reconocer animales. Si le muestras 100 fotos de perros y solo 1 de un tigre, el niño solo aprenderá perros.
• El truco: Los autores le dijeron a la computadora: "Oye, cuando veas un tigre (una enfermedad rara), ¡presta el doble de atención! Si te equivocas en un tigre, te castigo mucho más que si te equivocas en un perro". Esto obligó al sistema a aprender a detectar las enfermedades difíciles.

5. ¿Qué lograron?

• Precisión: Su sistema logró un 92.3% de precisión en detectar 5 tipos principales de problemas cardíacos.
• Velocidad: Aunque es un sistema complejo, es lo suficientemente rápido para usarse en tiempo real en un hospital (tarda menos de 23 milisegundos en analizar un corazón, ¡es más rápido que un parpadeo!).
• Conclusión: Al combinar la visión del "sonido" original con la visión de los "mapas de energía y dirección", y al entrenar al sistema para que no ignore a los pacientes raros, pueden diagnosticar enfermedades cardíacas con mucha más confianza y menos errores.

En resumen: Esta investigación es como darle a los médicos una gafas de visión nocturna y de rayos X combinadas, para que puedan ver los problemas del corazón con una claridad que antes era imposible, salvando más vidas gracias a la tecnología.

Resumen técnico

Resumen Técnico: Análisis Automatizado de ECG mediante Representaciones Multi-Raíz en el Dominio de Ondículas y Aprendizaje por Conjuntos

1. Planteamiento del Problema

El diagnóstico preciso de anomalías cardíacas a partir de señales de electrocardiograma (ECG) sigue siendo un desafío central en la evaluación cardiovascular automatizada. Aunque las redes neuronales convolucionales (CNN) y recurrentes han logrado altos niveles de precisión, la mayoría de los enfoques actuales se basan exclusivamente en las formas de onda en el dominio del tiempo, ignorando la información conjunta tiempo-frecuencia que caracteriza los patrones patológicos del ECG.

Además, el análisis manual es lento y propenso a variabilidad. Existe una necesidad crítica de desarrollar sistemas de clasificación multiclase y multietiqueta que sean robustos, interpretables y capaces de manejar la desbalanceo de clases inherente a los conjuntos de datos médicos reales.

2. Metodología Propuesta

Los autores proponen un marco de trabajo basado en Deep Learning que integra representaciones en el dominio del tiempo y transformaciones tiempo-frecuencia utilizando la Transformada Wavelet Continua (CWT).

A. Preprocesamiento de Datos (Dataset PTB-XL)

• Fuente: Se utilizó el dataset PTB-XL, que contiene 21,837 registros de ECG de 12 derivaciones.
• Tarea: Clasificación en 5 superclases diagnósticas: Normal (NORM), Infarto de Miocardio (MI), Cambios ST/T (STTC), Trastornos de Conducción (CD) e Hipertrofia (HYP).
• Procesamiento de Señal:
  1. Filtrado: Filtro paso-banda (0.05–47 Hz) y eliminación de tendencia.
  2. Estandarización: Normalización Z-score por derivación.
  3. Transformada Wavelet Continua (CWT): Se aplicó la CWT a cada señal para generar dos representaciones visuales distintas:
     • Escalograma: Mapa de magnitud (energía espectral).
     • Fasograma: Mapa de fase (distribución de fase).
  • Ambas representaciones se normalizaron a [0,1] y se redimensionaron a 224×224 píxeles.

B. Estrategias de Modelado y Fusión
El estudio comparó múltiples arquitecturas y estrategias de fusión:

1. Dominio del Tiempo (Línea Base):

   • Uso de XResNet1d101 (variante 1D de ResNet) procesando las señales crudas.

2. Dominio Tiempo-Frecuencia (Imágenes):

   • Arquitecturas: CNN personalizada (CWT2DCNN), modelos preentrenados (ResNet50, EfficientNetB0, Swin Transformer) y modelos híbridos (CNN-Swin Transformer).
   • Adaptación: Se utilizó una capa de convolución 1x1 para reducir las 12 derivaciones (canales) a 3 canales compatibles con modelos preentrenados.

3. Estrategias de Fusión:

   • Fusión Temprana (Early Fusion): Concatenación de escalogramas y fasogramas en un tensor de 24 canales para que la red aprenda representaciones conjuntas de fase y espectro en un solo espacio de características.
   • Fusión Tardía (Late Fusion): Entrenamiento de modelos independientes para cada modalidad, combinando sus salidas (logits) mediante promedios ponderados.

4. Aprendizaje por Conjuntos (Ensemble Learning):

   • Combinación de los mejores modelos (XResNet1d101 + modelos de fusión temprana híbridos) para maximizar el rendimiento.

5. Optimización de Pérdida:

   • Implementación de Focal Loss ponderado para mitigar el desbalanceo de clases y mejorar la detección de etiquetas minoritarias.

3. Resultados Clave

Los experimentos se realizaron en una GPU Nvidia A100, evaluando el rendimiento mediante AUC macro, F1-score y tiempos de inferencia.

• Rendimiento Individual:

  • El modelo basado en señales crudas (XResNet1d101) obtuvo un AUC de 0.9224, estableciendo una línea base muy fuerte.
  • Entre las representaciones de wavelet, los modelos Híbridos (CNN-Swin Transformer) superaron a las CNN puras y a los Transformers puros en los dominios de escalograma y fasograma.
  • La Fusión Temprana superó consistentemente a la Fusión Tardía, sugiriendo que el aprendizaje conjunto de fase y amplitud es más efectivo.

• Rendimiento del Sistema Propuesto (Ensemble):

  • La combinación de Fusión Temprana (Híbrido Swin + ResNet50) con el modelo de señales crudas (XResNet1d101) logró el mejor rendimiento global.
  • AUC Máximo: 0.9238 (superando a los modelos individuales y a la línea base).
  • Tiempo de Inferencia: El ensemble requirió ~22.3 ms por muestra, lo cual es viable para despliegue en tiempo real en entornos clínicos.

• Impacto de la Pérdida Ponderada:

  • El uso de Focal Loss con pesos optimizados {1.0, 5.0, 2.5, 1.0, 0.5} mejoró significativamente la clasificación de las clases minoritarias, elevando el AUC del ensemble de 0.9233 a 0.9238.

4. Contribuciones Principales

1. Nueva Representación Multi-Modal: Es uno de los primeros estudios en explorar sistemáticamente la combinación de escalogramas y fasogramas derivados de la CWT para la clasificación multiclase/multietiqueta en el dataset PTB-XL.
2. Estrategia de Fusión Superior: Demostró que la fusión temprana de información espectral y de fase es superior a la fusión tardía para capturar patrones patológicos sutiles.
3. Arquitectura Híbrida: Validó la eficacia de combinar CNNs con Transformers (Swin) en el dominio de imágenes de wavelet para ECG.
4. Sistema Ensemble Robusto: Logró el estado del arte (SoTA) actual en PTB-XL para esta tarea específica mediante la integración de modelos de dominio temporal y frecuencia, superando el AUC de 0.92.

5. Significado e Implicaciones

• Interpretabilidad Clínica: Al utilizar representaciones de wavelet (escalogramas y fasogramas), el modelo aprovecha la estructura visual de las señales, lo que puede facilitar la interpretación por parte de expertos médicos y el uso de modelos preentrenados en visión por computadora.
• Generalización: El enfoque demuestra que la información de fase, a menudo ignorada, es crucial para distinguir entre condiciones cardíacas complejas.
• Viabilidad Clínica: A pesar de la complejidad del modelo ensemble, los tiempos de inferencia (aprox. 22 ms) permiten su implementación en sistemas de monitoreo en tiempo real.
• Dirección Futura: El trabajo sienta las bases para el uso de aumentación generativa de ECG y el análisis de subconjuntos de derivaciones para optimizar aún más los modelos.

En conclusión, el estudio demuestra que la fusión de representaciones en el dominio de las wavelet junto con el aprendizaje por conjuntos ofrece una vía superior para la automatización del diagnóstico de ECG, superando las limitaciones de los enfoques puramente basados en el dominio del tiempo.