技術的サマリー：DeepArrhythmia

問題定義

心拍レベルの心電図（ECG）不整脈検出は、記録内の個々の心拍それぞれに不整脈クラス（正常、上室性異所性、心室性異所性、または融合）を割り当てることを目的としています。既存の自動化システムは大幅な進歩を遂げていますが、頻繁に心拍を孤立した局所的なインスタンスとして扱い、入力として短い心拍中心のウィンドウまたは孤立した心拍の切り出しを利用しています。このアプローチは本質的に限界があります。なぜなら、心拍レベルの分類は純粋に局所的ではなく、心拍を分類するために必要な証拠は、対象となる複合波を超えて周囲のリズム文脈に及ぶことが多いためです。

例えば、心室性異所性心拍（VEB）と上室性異所性心拍（SVEB）を区別するには、QRS 複合波の局所的な形状だけでなく、隣接する心拍に対するタイミング（早期発生、代償性休止）と形態の一貫性を分析する必要があります。より長い文脈を処理する現在のエンドツーエンドモデルは、予測を生理学的なアンカー（例えば R 波の位置、特定の間隔測定値）に明示的に基づかせることができておらず、決定が認識可能な ECG の手がかりによって支えられているかどうかを検証することが困難です。さらに、すべてのセグメントに対して豊富な生理学的証拠を無差別に取得することは非効率的です。容易なセグメントでは、追加の測定は精度を向上させることなく計算コストを増大させ、ノイズの多い信号では、補助的な証拠がノイズを導入する可能性があります。

手法：DeepArrhythmia

DeepArrhythmia は、セグメント文脈化された心拍レベルの ECG 分類のために設計された、ツールに基づくマルチモーダルフレームワークです。これは 10 秒間の多心拍 ECG セグメントで動作し、生 ECG 信号、レンダリングされた波形画像、および構造化された生理学的証拠を中央のマルチモーダルエージェントを通じて統合します。

コアアーキテクチャ

このフレームワークは、専用ツールを使用して生理学的測定と証拠統合を分離します。

1. ピーク検出器: 1D-UNet++ モデルが R 波を局所化して心拍インスタンスを識別します。これらのピークは、数値特徴の整列、形態分析、および最終的な構造化出力のための時間的アンカーとして機能します。
2. 特徴抽出器: 各心拍に対して、明確な数値リズムおよび形態測定値（RR 間隔、正規化 RR、R 波振幅、高次統計量、数値形態記述子など）を生成します。
3. 形態分析器: 知識蒸留（教師 LLM を使用）を通じて訓練されたビジョン・ランゲージモデルであり、心拍中心の画像切り出しと数値特徴に基づいて形態に関するテキスト的根拠を生成します。これにより、解釈可能で形態に焦点を当てたテキスト証拠が提供されます。
4. 中央マルチモーダルエージェント: 信号トークン、画像トークン、およびシリアル化されたツールの出力を受け取り、心拍レベルの予測を生成する大規模言語モデル（LLM）バックボーン（Qwen3.5-4B）です。

信頼度ガイド選択的証拠取得

重要な革新点は、証拠ゲートングツールとして機能する信頼度計算機です。システムは 2 つの証拠状態で動作します。

• 最小証拠状態（$E_{min}$）: 信号、画像、および心拍アンカーを含みます。
• 豊富な証拠状態（$E_{rich}$）: $E_{min}$ に数値特徴とテキスト的形態分析を追加します。

システムはまず、最小状態の下で初期予測を生成します。その後、セグメント内のすべての心拍の最大クラス確率を平均化することで、セグメントレベルの信頼度スコア（$C_{seg}$）を計算します。

• $C_{seg} \geq \tau$（データセット固有の閾値）の場合、システムは最小証拠による予測を返します。
• $C_{seg} < \tau$ の場合、システムは精緻化された予測を生成する前に、豊富な証拠を取得するために特徴抽出器と形態分析器を選択的に呼び出します。

このルーティングポリシーは、リズム依存性の高い困難なセグメントにおける証拠不足の決定と、追加のツールがコストやノイズを追加する過剰な証拠の決定との間のトレードオフをバランスさせます。

訓練戦略

DeepArrhythmia は、2 段階のマスク付き教師あり微調整（SFT）プロセスを採用しています。

1. 段階 1（特化）: 2 つのブランチ固有のエージェントが訓練されます。一方は最小証拠の下で予測することを学び、他方は豊富な証拠の下で予測することを学びます。これにより、出力構文と心拍アンカーおよびクラスラベル間の整列が確立されます。
2. 段階 2（ルーティング）: 保持された分割データ上でルーティングエージェントを訓練し、信頼度ゲート付きの取得ポリシーを学習させます。モデルは、計算された信頼度スコアに基づいて、最小証拠の後に停止するか、追加のツールを呼び出すかを決定するように訓練されます。

主な貢献

1. セグメント文脈化された予測: 著者らは、心拍レベルの分類を、多心拍セグメント内のピーク整列予測として再定義しました。これにより、決定が局所的な形態と周囲のリズム文脈（タイミング、代償性休止、心拍間の一貫性）を組み合わせることが可能になります。
2. ツールに基づくマルチモーダルエージェント: フレームワークは生理学的測定を証拠統合から分離します。専用ツールは、予測の入力として機能するだけでなく、解釈のための監査可能な証拠としても機能する、構造化された中間証拠（数値測定値とテキスト記述）を提供します。
3. 信頼度ガイド選択的取得: 論文は、モデルの信頼度を証拠ゲートとして使用し、異なるセグメント間でのそのような証拠の非一様な限界価値に対処するために、必要な場合のみより豊富な生理学的証拠を選択的に取得することを提案しています。

実験結果

このフレームワークは、MIT-BIH 不整脈、MIT-BIH 上室性、INCART、および VitalDB 不整脈の 4 つの公開データセットで、一般化を確保するために被験者非重複分割を用いて評価されました。

• 性能: DeepArrhythmia のバリアントは、従来の機械学習（SVM）、深層学習（CNN、Transformer、TCN）、および既存のビジョン・ランゲージモデル（VLM）と比較して、すべてのデータセットおよび指標（Macro-F1 および Micro-F1）において最良、または同率最良の性能を達成しました。
• 文脈的価値: 結果は、セグメントレベルの文脈と構造化された生理学的基盤が心拍レベルの分類を大幅に改善することを示しています。このフレームワークは、非エージェント融合ベースラインを上回り、モデルアーキテクチャが異種証拠を正確な予測に変換する上で中心的な役割を果たしていることを示しています。
• 選択的取得: 閾値によって誘発されたルーティングモデルは、単純なルーティングベースラインの性能と常に一致するか、それを上回りつつ、無情報な証拠への依存を減少させました。分析により、より豊富な証拠は主に低信頼度（困難な）セグメントの性能を向上させ、高信頼度セグメントではあまり恩恵を受けなかったことが示され、選択的取得戦略が妥当であることが確認されました。
• 解釈可能性: 生成された形態分析に対する人間の専門家による評価は、生理学的正確性と臨床的有用性において高いスコアを示しました。生成された説明は使用された証拠に忠実であることが判明しました。これは、引用された手がかり（例えば QRS 幅、RR 間隔）を撹乱する標的摂動テストで精度が大幅に低下したことから裏付けられました。

意義と主張

この論文は、DeepArrhythmia が常にすべてのツールを呼び出すことに対する実用的な代替案を提供し、有利な精度と効率のトレードオフを達成すると主張しています。測定を統合から分離することで、このフレームワークは、より正確かつより解釈可能な予測を生成し、エラー分析や専門家によるレビューのために中間証拠を保持します。

著者らは、DeepArrhythmia を自律的な診断システムではなく、支援意思決定フレームワークとして位置づけています。その意義は、VLM によって調整される統一的な推論ループに統合することで、生理学的信号処理（検出器、特徴抽出器）における数十年の進歩を実務化する点にあります。このアプローチは、クロスモーダルな協調を維持しながら、拡張可能なドメイン知識の統合を可能にします。

論文は以下の限界を認めています。

• 稀な融合心拍、特にクラス間の性能の不均一性。
• 不完全な時間的文脈と低い信号品質に対する感度。
• 限られたデータセット間一般化。今後の研究では、堅牢な不確実性認識ルーティングの必要性を示唆しています。
• 研究の回顧的性質。多様な機関およびデバイスにおける将来的な有用性は確立されていません。

著者らは、このフレームワークは臨床判断を代替するのではなく支援するために使用されるべきであり、今後の研究は多施設検証とプロスペクティブなワークフロー評価に焦点を当てるべきであると結論付けています。