Patient-Aware Contrastive Learning Preserves Per-Patient Structure in RR-Interval Representations

Sintesi Tecnica: Apprendimento Contrastivo Sensibile al Paziente per Rappresentazioni di Intervalli RR

Problema
L'apprendimento di rappresentazioni contrastive spesso fatica con i segnali fisiologici perché i singoli soggetti possiedono pattern basali distinti. Nelle formulazioni standard, come il contrastive learning supervisionato (SupCon), l'assunto che tutti gli esempi della stessa classe siano ugualmente adatti come coppie positive decade quando le differenze di classe si sovrappongono alle differenze tra soggetti. Di conseguenza, gli obiettivi a livello di classe tendono a fondere le strutture per-soggetto in un singolo cluster per-classe. Sebbene ciò crei classi globali ben separate, rimuove la variazione individuale necessaria affinché un modello possa generalizzare su nuovi pazienti. Gli autori identificano che una sonda lineare addestrata su tali embedding fallisce su nuovi pazienti perché lo spazio degli embedding manca di una struttura geometrica per-soggetto coerente, anche se la separabilità globale delle classi è elevata.

Metodologia
Lo studio si concentra sul rilevamento della Fibrillazione Atriale Parossistica (PAF) utilizzando sequenze di intervalli RR (RRI dal dataset IRIDIA-AF). Gli autori propongono un Obiettivo Contrastivo Sensibile al Paziente (Patient-Aware) progettato per preservare la struttura per-paziente mantenendo al contempo la separazione delle classi.

• Costruzione delle Coppie Positive: A differenza del tipico contrastive learning supervisionato, che tratta tutti i segmenti della stessa classe come positivi indipendentemente dal soggetto, l'obiettivo proposto restringe le coppie positive a segmenti che sono sia stesso-paziente che stessa-classe. Le coppie negative sono definite come segmenti di classi diverse.
• Strategia di Campionamento: Il campionamento dei mini-batch assicura che ogni paziente contribuisca con un numero uguale di finestre di Ritmo Sinusale (SR) e di Fibrillazione Atriale (AF), garantendo coppie positive intra-paziente e intra-classe in ogni batch.
• Architettura: Il metodo utilizza un backbone 1D-CNN multi-branch leggero (con dimensioni dei kernel 3, 5 e 7) seguito da un pooling di attenzione temporale e una testa di proiezione. La perdita contrastiva è applicata agli embedding proiettati, mentre una sonda lineare viene addestrata sugli output aggregati per la valutazione a valle.
• Protocollo di Addestramento: Gli esperimenti impiegano una configurazione di linear probing con encoder congelato. Il metodo proposto viene confrontato con i baseline di Supervised Contrastive Learning (SupCon) e Binary Cross-Entropy (BCE), utilizzando gli stessi encoder, campionatori e sonde per isolare l'effetto della funzione di perdita.

Contributi Chiave

1. Obiettivo Sensibile al Paziente: Una nuova perdita contrastiva che forma coppie positive solo da segmenti dello stesso paziente e della stessa classe. Questo preserva la linea di base SR individuale di ogni soggetto pur continuando a separare le due classi (SR e AF).
2. Analisi della Geometria degli Embedding: Il documento fornisce un'analisi diretta dello spazio degli embedding appreso, rivelando un compromesso critico:
   • BCE produce la separazione di classe globale più pulita (massima distanza tra i centroidi) ma risulta nella struttura per-paziente più disordinata.
   • SupCon ottiene un'alta compattezza per l'AF ma provoca il collasso di diverse linee di base SR individuali in un prototipo condiviso, riducendo la coesione dell'SR.
   • Il Metodo Proposto raggiunge la più alta coesione SR per-paziente, mantenendo la coerenza geometrica necessaria per il trasferimento cross-patient.
3. Validazione a Valle: Il metodo è validato sul dataset IRIDIA-AF per il rilevamento della PAF, dimostrando prestazioni e stabilità superiori rispetto ai baseline esistenti.

Risultati
Sulla divisione di test indipendente dal paziente (pazienti non inclusi nell'addestramento), il metodo proposto ha ottenuto i seguenti risultati:

• AUROC: 0.989 ± 0.003, superando SupCon (0.983 ± 0.009) e BCE (0.980 ± 0.012).
• Stabilità: La varianza seed-to-seed nell'AUROC è stata ridotta di 2.6× rispetto a SupCon e di 3.4× rispetto a BCE, indicando una rappresentazione più robusta e riproducibile.
• Metriche Geometriche: Il metodo proposto ha ottenuto la più alta coesione SR (0.850) rispetto a SupCon (0.800) e BCE (0.772).
• Rilevanza Clinica: Il metodo ha raggiunto un richiamo (recall) di AF di 0.974 ± 0.008, superando la sensibilità del holdout dei pazienti di lavori precedenti (Andersen et al., 2019) di oltre 11 punti percentuali, nonostante l'uso di un encoder congelato e di una sonda di regressione logistica.

Significatività e Rivendicazioni
Il documento sostiene che la coerenza geometrica per-soggetto, piuttosto che la separabilità globale delle classi, sia il determinante chiave per una robusta generalizzazione cross-patient nell'analisi dei segnali fisiologici. Il "paradosso BCE" identificato nello studio dimostra che un'alta separazione globale delle classi può coesistere con scarse prestazioni di trasferimento se la struttura per-paziente è disorganizzata. Limitando le coppie positive ai segmenti dello stesso paziente e della stessa classe, l'obiettivo proposto impedisce il collasso delle linee di base individuali in un prototipo condiviso.

Gli autori affermano che questo approccio offre un primitivo ampiamente utile per l'apprendimento di rappresentazioni su segnali organizzati per soggetto (ad esempio, EEG, EMG, PPG), a condizione che le etichette di classe e gli identificativi dei soggetti siano disponibili durante l'addestramento. Il metodo non dipende da specifiche architetture di encoder ed è progettato per essere compatibile con l'hardware indossabile edge grazie al suo backbone leggero. Lo studio conclude che preservare la struttura individuale di ogni soggetto è essenziale affinché i modelli possano estrapolare efficacemente su nuovi pazienti.