One Dimensional CNN ECG Mamba for Multilabel Abnormality Classification in 12 Lead ECG

Resumo Técnico: 1DCNN-ECG-Mamba para Classificação de Anormalidades em ECG

1. O Problema

A detecção precisa de anormalidades cardíacas a partir de registros de eletrocardiograma (ECG) é fundamental para o diagnóstico clínico e suporte à decisão. Embora modelos de aprendizado profundo tradicionais, como Redes Neurais Convolucionais (CNNs) e Transformers, tenham sido aplicados com sucesso, eles enfrentam limitações significativas ao processar sinais sequenciais longos, típicos de registros de ECG de 12 derivações.

• Desafios Específicos: Transformers sofrem com complexidade computacional quadrática ($O(n^2)$) em relação ao comprimento da sequência, tornando-os ineficientes para dados longos. Além disso, a classificação multirrótulo em ECG lida com desequilíbrio de classes e a necessidade de capturar dependências temporais de longo alcance.

2. Metodologia: 1DCNN-ECG-Mamba

O artigo propõe um framework híbrido chamado 1DCNN-ECG-Mamba, que combina a extração de características convolucionais com o modelo de espaço de estados seletivo (SSM) conhecido como Mamba.

• Arquitetura Híbrida:

  • Pré-processamento: Os sinais de ECG são normalizados para uma taxa de amostragem de 500 Hz e padronizados para 8192 amostras.
  • Camada Convolutional 1D (1DCNN): Uma camada convolucional unidimensional é aplicada inicialmente aos dados brutos de 12 derivações (tensor $12 \times N$). O objetivo é extrair características locais e transformar os dados multicanal em um formato compatível com o codificador subsequente.
  • Codificador Vision Mamba (Vim): A arquitetura adapta o Vision Mamba (originalmente projetado para imagens 2D) para sinais de ECG.
    • O sinal é dividido em "patches" sequenciais.
    • Um token de classe é adicionado para a tarefa de classificação.
    • Mecanismo Bidirecional: Utiliza camadas de espaço de estados seletivos bidirecionais para capturar dependências temporais tanto para frente quanto para trás no sinal, melhorando a modelagem do contexto global sem a necessidade de mecanismos de atenção explícitos.
  • Otimizações Específicas: Diferente da configuração original do Vim, o modelo proposto desabilita o dropout estocástico, mantém os valores de saída das adições residuais (sem divisão por dois) e utiliza a formulação padrão do PyTorch para adição residual e normalização (em vez de kernels fundidos), visando estabilidade e reprodutibilidade.

• Vantagens do Mamba:

  • Complexidade computacional linear ($O(n)$) em relação ao comprimento da sequência.
  • Capacidade de manter campos receptivos globais eficientes para dados discretos.
  • Mecanismo de seleção dependente de entrada, permitindo adaptação dinâmica ao conteúdo do sinal.

3. Contribuições Principais

1. Novo Modelo Híbrido: Introdução do 1DCNN-ECG-Mamba, uma adaptação da arquitetura Mamba (baseada em Vim) especificamente projetada para sinais de ECG de 12 derivações.
2. Superioridade de Desempenho: Demonstração de que o modelo supera os métodos mais avançados (State-of-the-Art) reportados nos desafios PhysioNet/CinC de 2020 e 2021.
3. Validação Robusta: Avaliação extensiva em grandes conjuntos de dados públicos (mais de 88.000 registros) provenientes de múltiplas instituições e países, garantindo a generalização do modelo.
4. Análise de Arquitetura: Comparação detalhada que prova a eficácia da inclusão de blocos bidirecionais e da camada CNN inicial em comparação com variantes como ECG-Mamba, Audio Mamba e Transformers puros.

4. Resultados Experimentais

Os experimentos foram conduzidos nos conjuntos de dados do PhysioNet/CinC Challenge de 2020 e 2021. As métricas de avaliação foram AUPRC (Área sob a Curva Precisão-Recall, macro) e AUROC (Área sob a Curva Característica de Operação do Receptor, macro).

• Desempenho no Desafio 2020:
  • O modelo proposto alcançou um AUPRC de 0,5787 e um AUROC de 0,9571.
  • Superou o melhor método anterior (equipe Prna, baseado em Transformer), que obteve 0,5115 (AUPRC) e 0,9318 (AUROC).
• Desempenho no Desafio 2021:
  • O modelo alcançou um AUPRC de 0,6410 e um AUROC de 0,9695.
  • Superou significativamente o método vencedor do desafio 2021 (equipe ISIBrno, baseado em ResNet), que obteve 0,5230 (AUPRC) e 0,8960 (AUROC).
  • Também superou variantes como 2D-CNN, ECG-Mamba, Audio Mamba e o Mamba original.
• Comparação Específica: O 1DCNN-ECG-Mamba apresentou um aumento de 17,8% no AUPRC e 3,7% no AUROC em comparação com a arquitetura 2D-CNN, evidenciando a eficácia da abordagem baseada em Mamba para dependências temporais longas.

5. Significado e Impacto

• Avanço Clínico: O modelo oferece uma ferramenta de diagnóstico mais precisa e eficiente, capaz de lidar com a complexidade e a variabilidade dos dados de ECG reais.
• Diagnóstico Precoce e Telemedicina: A alta precisão e a eficiência computacional (devido à complexidade linear) tornam o modelo ideal para sistemas de telemedicina e ambientes com recursos limitados, facilitando o diagnóstico precoce e o tratamento personalizado.
• Paradigma de Modelagem: O trabalho valida o uso de Modelos de Espaço de Estados (SSMs) como uma alternativa superior aos Transformers para séries temporais médicas longas, abrindo caminho para futuras aplicações em outras modalidades de sinais biomédicos.

Em conclusão, o 1DCNN-ECG-Mamba estabelece um novo padrão de referência para a classificação multirrótulo de ECG, demonstrando que a integração de extração de características convolucionais com modelagem de espaço de estados seletivos bidirecional é altamente eficaz para a detecção de anormalidades cardíacas.