Riepilogo Tecnico: Separazione della Ritenzione degli Esperti dall'Inferenza Autonoma della Sorgente nel Deployment Continual di ECG Raw Senza Replay

1. Definizione del Problema

Il documento affronta la sfida di implementare sistemi di Elettrocardiogramma (ECG) in ambienti di apprendimento continuo (continual learning) multi-sorgente, dove i dati storici grezzi non possono essere conservati o riprodotti (replay) a causa di vincoli di governance e condivisione dei dati. Viene fatta una distinzione critica tra due problemi accoppiati ma distinti:

1. Ritenzione degli Esperti (Expert Retention): La capacità di mantenere confini decisionali specifici per ogni sorgente senza sovrascrivere la conoscenza precedente (interferenza dei parametri).
2. Inferenza Autonoma della Sorgente (Autonomous Source Inference): La capacità di identificare correttamente la sorgente del dominio di un ECG di test e selezionare l'esperto appropriato quando i metadati della sorgente (ad es. ID dell'ospedale, tipo di dispositivo) non sono disponibili al momento dell'inferenza.

Gli autori sostengono che, sebbene l'isolamento dei parametri (congelamento dei backbone e aggiunta di teste isolate) risolva la ritenzione, non risolve il deployment se il sistema non è in grado di instradare autonomamente gli input verso l'esperto corretto. Trattare le prestazioni consapevole della sorgente come una soluzione completa oscura il principale modo di guasto negli scenari reali con sorgente sconosciuta.

2. Metodologia: IRFE-ECG

Il framework proposto, IRFE-ECG (Incremental Raw-Feature-Expert ECG), opera sotto un protocollo "senza replay di ECG grezzi". Utilizza un modello di fondazione congelato e un bank di esperti incrementale.

• Backbone Congelato: Il sistema utilizza ECGFounder, un modello di fondazione pre-addestrato, come estrattore di caratteristiche fisso. Esso mappa gli ECG a singola derivazione in vettori di caratteristiche a 1024 dimensioni ($h$). I parametri del backbone ($\theta$) non vengono mai aggiornati.
• Bank di Esperti Incrementale: Man mano che arriva un nuovo dominio $t$, viene addestrato un nuovo esperto lineare isolato $g_t$ sulle caratteristiche congelate.
  • Architettura: $g_t(h) = W_t h + b_t$.
  • Addestramento: Gli esperti sono ottimizzati utilizzando la Balanced Softmax per gestire lo sbilanciamento delle classi, con soglie decisionali specifiche per dominio ($\tau_t$) calibrate sui dati di validazione.
  • Isolamento: Una volta addestrati, gli esperti e il backbone vengono congelati; non vengono mai aggiornati per i domini successivi.
• Router Autonomo: Poiché gli ID della sorgente non sono disponibili al momento del test, un router leggero viene addestrato per inferire il dominio della sorgente.
  • Memoria: Il router è addestrato su vettori di caratteristiche congelati conservati e label di dominio da tutti i domini precedentemente visti. Non vengono memorizzate o riprodotte le forme d'onda ECG grezze.
  • Architettura: Un MLP compatto con input a 1024 dimensioni, LayerNorm, uno strato nascosto di 128 unità, attivazione GELU e dropout.
  • Addestramento: Il router viene ri-adattato dopo l'osservazione di ogni nuovo dominio, utilizzando la perdita di cross-entropy sul set di caratteristiche memorizzate.
• Strategia di Inferenza (Top-2 Margin Fusion): Invece di impegnarsi su un singolo esperto "Top-1", il sistema identifica i due esperti più probabili ($K(h)$) basandosi sui logit del router. Fonde i loro output utilizzando una regola di margine calibrata sulla validazione:
  $$m(h) = \sum_{k \in K(h)} \alpha_k(h) (p_k(h) - \tau_k)$$
  dove $p_k$ è la probabilità predetta e $\tau_k$ è la soglia specifica del dominio. La predizione finale è positiva se $m(h) \geq 0$.

3. Contributi Chiave

1. Formulazione del Problema: Il documento separa esplicitamente la ritenzione degli esperti dall'inferenza autonoma della sorgente nel contesto del continual learning privo di dati grezzi. Postula che la ritenzione sia risolvibile tramite l'isolamento dei parametri, ma che l'inferenza rimanga il collo di bottiglia.
2. Framework IRFE-ECG: Gli autori istanziano questa formulazione utilizzando un backbone ECGFounder congelato, esperti lineari Balanced-Softmax isolati e un router MLP autonomo addestrato sulle caratteristiche conservate.
3. Analisi Empirica del Collo di Bottiglia: Attraverso una valutazione estesa su quattro dataset ECG (CPSC, PTB-XL, Georgia, Chapman-Shaoxing), lo studio dimostra che il divario tra la selezione oracle consapevole della sorgente e l'instradamento autonomo è il limite primario, non l'oblio dei parametri degli esperti.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti su quattro domini con tre seed casuali. Le scoperte chiave includono:

• Prestazioni Consapevoli della Sorgente vs. Autonome:
  • Oracle Consapevole della Sorgente: Raggiunge 0.7915 ± 0.0036 di Macro-F1. Questa prestazione è quasi identica a un riferimento con testa indipendente offline corrispondente (0.7885), confermando che l'isolamento sequenziale previene efficacementamente l'interferenza dei parametri.
  • Instradamento Autonomo (MLP): Raggiunge 0.7756 ± 0.0027 di Macro-F1.
  • Top-2 Margin Fusion: Raggiunge 0.7782 ± 0.0022 di Macro-F1.
• Significatività dei Gap:
  • Il guadagno dalla fusione Top-2 rispetto all'instradamento hard Top-1 è piccolo (+0.0026) e statisticamente non significativo (il 95% CI include lo zero).
  • Il divario tra il modello autonomo Top-2 e l'oracle consapevole della sorgente rimane tra 0.0111 e 0.0133 attraverso diversi ordini di dominio.
• Accuratezza dell'Instradamento: Il router MLP raggiunge un'accuratezza di instradamento dell'81.5%, superando significativamente i classificatori centroid, kNN e lineari, ma lasciando comunque un tasso di errore misurabile che impatta il Macro-F1 finale.
• Compromesso di Memoria: Il sistema non è "privo di memoria" poiché conserva i vettori di caratteristiche congelati. Tuttavia, la conservazione solo del 10% delle caratteristiche di addestramento riduce lo storage da ~140 MiB a ~14 MiB con un calo di soli 0.0063 nel Macro-F1 rispetto alla memoria completa.
• Confronto con i Baseline: I baseline a parametri condivisi (ad es. EWC, LwF, piccolo replay) soffrono di Backward Transfer (BWT) negativa e un Macro-F1 finale inferiore (0.64–0.73) rispetto al bank di esperti instradato (0.7782).

5. Significato e Rivendicazioni

Il documento afferma che l'inferenza autonoma della sorgente è il fattore limitante per il deployment di bank di esperti isolati in scenari ECG con sorgente sconosciuta, piuttosto che la capacità di ritenere i parametri degli esperti.

• Rivendicazioni Modeste sulla Fusione: La fusione Top-2 margin è presentata come un "modesto raffinamento operativo" piuttosto che una svolta, poiché non chiude statisticamente il divario con l'instradamento hard.
• Limitazioni Riconosciute:
  • Leakage a Livello di Paziente: Lo studio utilizza il raggruppamento tramite hash delle forme d'onda per prevenire duplicati esatti delle forme d'onda, ma non può garantire la separazione a livello di paziente a causa della mancanza di identificatori affidabili dei pazienti negli split elaborati. I risultati sono benchmark a livello di record, non validazioni cliniche.
  • Memoria: Il metodo non è privo di memoria; richiede la conservazione dei vettori di caratteristiche congelati per gli aggiornamenti del router.
  • Ambito: Le scoperte sono specifiche per la classificazione binaria normale/anormale su ECG a singola derivazione e potrebbero non generalizzarsi direttamente alla diagnosi multi-label o a diversi split di dati.
• Conclusione: Il sistema separa con successo la ritenzione degli esperti dall'inferenza, dimostrando che mentre gli esperti possono essere preservati perfettamente, la capacità di instradare autonomamente gli input verso di essi senza metadati rimane il "principale collo di bottiglia rimanente". Il lavoro futuro deve concentrarsi sul miglioramento dell'inferenza della sorgente e sulla validazione di split a livello di paziente prima di rivendicare un robusto deployment clinico.