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

Technische Samenvatting: Patiënt-bewuste Contrastieve Learning voor RR-interval Representaties

Probleemstelling
Contrastieve representatieleer heeft vaak moeite met fysiologische signalen omdat individuele proefpersonen over unieke basispatronen beschikken. In standaardformuleringen, zoals supervised contrastive learning (SupCon), faalt de aanname dat alle voorbeelden van dezelfde klasse even geschikt zijn als positieve paren wanneer de verschillen tussen klassen overlappen met de verschillen tussen proefpersonen. Bijgevolg hebben doelstellingen op klasseniveau de neiging om per-proefpersoon structuren samen te voegen tot één enkele per-klasse cluster. Hoewel dit zorgt voor goed gescheiden globale klassen, verwijdert het de individuele variatie die nodig is voor een model om te generaliseren naar onbekende patiënten. De auteurs identificeren dat een lineaire probe die getraind is op dergelijke embeddings faalt op nieuwe patiënten omdat de embedding-ruimte geen consistente per-proefpersoon geometrische structuur bezit, zelfs als de globale klasse-scheidbaarheid hoog is.

Methodologie
De studie richt zich op de detectie van Paroxismale Atriale Fibrillatie (PAF) met behulp van RR-interval (RRI) sequenties uit de IRIDIA-AF dataset. De auteurs stellen een Patiënt-bewuste Contrastieve Doelstelling voor die ontworpen is om de per-proefpersoon structuur te behouden terwijl de klasse-scheiding behouden blijft.

• Constructie van Positieve Paren: In tegenstelling tot standaard supervised contrastive learning, waarbij alle segmenten van dezelfde klasse als positieve paren worden behandeld ongeacht de proefpersoon, beperkt de voorgestelde doelstelling positieve paren tot segmenten die zowel van dezelfde patiënt als van dezelfde klasse zijn. Negatieve paren worden gedefinieerd als segmenten van verschillende klassen.
• Sampling Strategie: De mini-batch sampling zorgt ervoor dat elke patiënt een gelijk aantal Sinusritme (SR) en Atriale Fibrillatie (AF) vensters bijdraagt, wat intra-patiënt, intra-klasse positieve paren in elke batch garandeert.
• Architectuur: De methode maakt gebruik van een lichtgewicht multi-branch 1D-CNN backbone (met kernelgroottes 3, 5 en 7) gevolgd door temporal attention pooling en een projectiekop. De contrastieve loss wordt toegepast op de geprojecteerde embeddings, terwijl een lineaire probe wordt getraind op de gepoolde outputs voor downstream evaluatie.
• Trainingsprotocol: Experimenten maken gebruik van een frozen-encoder linear probing setup. De voorgestelde methode wordt vergeleken met standaard Supervised Contrastive Learning (SupCon) en Binary Cross-Entropy (BCE) baselines, met identieke encoders, samplers en probes om het effect van de loss-functie te isoleren.

Belangrijkste Bijdragen

1. Patiënt-bewuste Doelstelling: Een nieuwe contrastieve loss die alleen positieve paren vormt van segmenten van dezelfde patiënt en dezelfde klasse. Dit behoudt de individuele SR-baseline van elke proefpersoon terwijl het de twee klassen (SR en AF) uit elkaar duwt.
2. Analyse van Embedding Geometrie: Het artikel biedt een directe analyse van de geleerde embedding-ruimte, die een kritieke afweging onthult:
   • BCE produceert de schoonste globale klasse-scheiding (hoogste centroid afstand) maar resulteert in de meest gedesorganiseerde per-proefpersoon structuur.
   • SupCon bereikt een hoge AF compactheid maar laat de onderscheidende individuele SR-baselines instorten tot een gedeelde prototype, wat de SR cohesie vermindert.
   • Voorgestelde Methode bereikt de hoogste per-proefpersoon SR cohesie, waardoor de geometrische consistentie behouden blijft die vereist is voor cross-patiënt transfer.
3. Downstream Validatie: De methode wordt gevalideerd op de IRIDIA-AF dataset voor PAF detectie, waarbij zij superieure prestaties en stabiliteit laat zien vergeleken met bestaande baselines.

Resultaten
Op de patiënt-onafhankelijke test-split (uitgesloten patiënten) behaalde de voorgestelde methode het volgende:

• AUROC: 0.989 ± 0.003, waarmee zij SupCon (0.983 ± 0.009) en BCE (0.980 ± 0.012) overtreft.
• Stabiliteit: De seed-to-seed variantie in AUROC werd met 2.6× verminderd ten opzichte van SupCon en met 3.4× ten opzichte van BCE, wat wijst op een robuustere en reproduceerbaardere representatie.
• Geometrische Metrieken: De voorgestelde methode behaalde de hoogste SR cohesie (0.850) vergeleken met SupCon (0.800) en BCE (0.772).
• Klinische Relevantie: De methode behaalde een AF recall van 0.974 ± 0.008, wat de patiënt-holdout sensitiviteit van eerder werk (Andersen et al., 2019) met meer dan 11 procentpunten overtreft, ondanks het gebruik van enkel een frozen encoder en een logistische regressie probe.

Betekenis en Claims
Het artikel betoogt dat per-subject geometrische consistentie, in plaats van globale klasse-scheidbaarheid, de doorslaggevende factor is voor robuuste cross-patiënt generalisatie in de analyse van fysiologische signalen. De geïdentificeerde "BCE paradox" in de studie laat zien dat een hoge globale klasse-scheidbaarheid kan samengaan met slechte transfer-prestaties als de per-patiënt structuur gedesorganiseerd is. Door positieve paren te beperken tot segmenten van dezelfde patiënt en dezelfde klasse, voorkomt de voorgestelde doelstelling dat individuele baselines instorten naar een gedeeld prototype.

De auteurs claimen dat deze aanpak een breed bruikbaar primitief biedt voor representatieleer op signalen die georganiseerd zijn per subject (bijv. EEG, EMG, PPG), mits klasse-labels en subject-identificatoren beschikbaar zijn tijdens de training. De methode is niet afhankelijk van specifieke encoder-architecturen en is ontworpen om compatibel te zijn met edge wearable hardware vanwege de lichtgewicht backbone. De studie concludeert dat het behouden van de individuele structuur van elk subject essentieel is voor modellen om effectief te extrapoleren naar onbekende patiënten.