Resumo Técnico: DeepArrhythmia

Definição do Problema

A detecção de arritmias em eletrocardiogramas (ECG) ao nível do batimento visa atribuir uma classe de arritmia (Normal, Ectopia Supraventricular, Ectopia Ventricular ou Fusão) a cada batimento cardíaco individual dentro de uma gravação. Embora os sistemas automatizados existentes tenham feito progressos substanciais, eles frequentemente tratam os batimentos como instâncias locais isoladas, utilizando janelas curtas centradas no batimento ou cortes de batimentos isolados como entrada. Essa abordagem é fundamentalmente limitada porque a classificação ao nível do batimento não é puramente local; a evidência necessária para classificar um batimento frequentemente se estende além do complexo-alvo para o contexto rítmico circundante.

Por exemplo, distinguir entre Batimentos Ectópicos Ventriculares (VEBs) e Batimentos Ectópicos Supraventriculares (SVEBs) frequentemente requer analisar o tempo (ocorrência prematura, pausas compensatórias) e a consistência morfológica em relação aos batimentos vizinhos, e não apenas a forma local do complexo QRS. Modelos atuais de ponta a ponta que processam contextos mais longos frequentemente falham em fundamentar explicitamente suas previsões em âncoras fisiológicas (por exemplo, localizações de pico R, medições de intervalos específicos), tornando difícil verificar se uma decisão é apoiada por sinais de ECG reconhecíveis. Além disso, adquirir indiscriminadamente evidências fisiológicas ricas para todos os segmentos é ineficiente; para segmentos fáceis, medições adicionais adicionam custo computacional sem melhorar a precisão, enquanto para sinais ruidosos, evidências auxiliares podem introduzir ruído.

Metodologia: DeepArrhythmia

DeepArrhythmia é uma estrutura multimodal fundamentada em ferramentas projetada para classificação de batimentos de ECG contextualizada por segmento. Ela opera em segmentos de ECG de 10 segundos com múltiplos batimentos e integra sinais brutos de ECG, imagens de formas de onda renderizadas e evidências fisiológicas estruturadas por meio de um agente multimodal central.

Arquitetura Central

A estrutura desacopla medição fisiológica de integração de evidências usando ferramentas especializadas:

1. Detector de Picos: Um modelo 1D-UNet++ localiza picos R para identificar instâncias de batimento. Esses picos servem como âncoras temporais para alinhar características numéricas, análise morfológica e a saída estruturada final.
2. Extrator de Características: Gera medições explícitas numéricas de ritmo e morfologia (por exemplo, intervalos RR, RR normalizado, amplitude do pico R, estatísticas de ordem superior e descritores morfológicos numéricos) para cada batimento.
3. Analisador de Morfologia: Um modelo de linguagem e visão treinado via destilação de conhecimento (usando um LLM professor) para gerar racionalidades textuais de morfologia com base em cortes de imagem centrados no batimento e características numéricas. Isso fornece evidência textual interpretável e focada na morfologia.
4. Agente Multimodal Central: Um modelo de linguagem grande (LLM) base (Qwen3.5-4B) que consome tokens de sinal, tokens de imagem e saídas de ferramentas serializadas para produzir previsões ao nível do batimento.

Aquisição Seletiva de Evidências Guiada por Confiança

Uma inovação chave é a Calculadora de Confiança, que atua como uma ferramenta de gateamento de evidências. O sistema opera em dois estados de evidência:

• Estado de Evidência Mínima ($E_{min}$): Contém o sinal, a imagem e as âncoras de batimento.
• Estado de Evidência Rica ($E_{rich}$): Aumenta $E_{min}$ com características numéricas e análise textual de morfologia.

O sistema gera primeiro uma previsão inicial sob o estado mínimo. Em seguida, calcula uma pontuação de confiança ao nível do segmento ($C_{seg}$) pela média das probabilidades máximas de classe de todos os batimentos no segmento.

• Se $C_{seg} \geq \tau$ (um limite específico do conjunto de dados), o sistema retorna a previsão de evidência mínima.
• Se $C_{seg} < \tau$, o sistema invoca seletivamente o Extrator de Características e o Analisador de Morfologia para adquirir evidências ricas antes de produzir uma previsão refinada.

Esta política de roteamento equilibra o compromisso entre decisões com evidências insuficientes em segmentos difíceis e dependentes de ritmo e decisões com excesso de evidências onde ferramentas adicionais adicionam custo ou ruído.

Estratégia de Treinamento

DeepArrhythmia emprega um processo de ajuste fino supervisionado mascarado (SFT) em duas etapas:

1. Etapa 1 (Especialização): Dois agentes específicos de ramo são treinados. Um aprende a prever sob evidência mínima, e o outro sob evidência rica. Isso estabelece a sintaxe de saída e o alinhamento entre âncoras de batimento e rótulos de classe.
2. Etapa 2 (Roteamento): Um agente roteado é treinado em uma divisão mantida de fora para aprender a política de aquisição com gateamento de confiança. O modelo é treinado para decidir se deve parar após a evidência mínima ou invocar ferramentas adicionais com base na pontuação de confiança calculada.

Contribuições Principais

1. Previsão Contextualizada por Segmento: Os autores reformulam a classificação ao nível do batimento como previsão alinhada a picos dentro de segmentos de múltiplos batimentos, permitindo que as decisões combinem morfologia local com o contexto rítmico circundante (tempo, pausas compensatórias, consistência entre batimentos).
2. Agente Multimodal Fundamentado em Ferramentas: A estrutura separa a medição fisiológica da integração de evidências. Ferramentas especializadas fornecem evidência intermediária estruturada (medições numéricas e descrições textuais) que serve tanto como entrada para previsão quanto como evidência auditável para interpretação.
3. Aquisição Seletiva Guiada por Confiança: O artigo propõe o uso da confiança do modelo como um gate de evidências para adquirir seletivamente evidências fisiológicas mais ricas apenas quando necessário, abordando o valor marginal não uniforme de tal evidência em diferentes segmentos.

Resultados Experimentais

A estrutura foi avaliada em quatro conjuntos de dados públicos: MIT-BIH Arrhythmia, MIT-BIH Supraventricular, INCART e VitalDB Arrhythmia, usando divisões disjuntas por sujeito para garantir generalização.

• Desempenho: Variantes do DeepArrhythmia alcançaram o melhor desempenho ou empataram com o melhor em todos os conjuntos de dados e métricas (Macro-F1 e Micro-F1) em comparação com aprendizado de máquina convencional (SVM), aprendizado profundo (CNNs, Transformers, TCNs) e Modelos de Linguagem e Visão (VLMs) existentes.
• Valor Contextual: Os resultados demonstram que o contexto ao nível do segmento e a fundamentação fisiológica estruturada melhoram significativamente a classificação ao nível do batimento. A estrutura superou bases de fusão não agênticas, indicando que a arquitetura do modelo desempenha um papel central na tradução de evidências heterogêneas em previsões precisas.
• Aquisição Seletiva: O modelo roteado induzido por limite consistentemente igualou ou superou o desempenho de uma base de roteamento simples, enquanto reduzia a dependência de evidências não informativas. A análise mostrou que evidências mais ricas melhoraram principalmente o desempenho em segmentos de baixa confiança (difíceis), enquanto segmentos de alta confiança se beneficiaram menos, validando a estratégia de aquisição seletiva.
• Interpretabilidade: Avaliações de especialistas humanos das análises de morfologia geradas mostraram altas pontuações para correção fisiológica e utilidade clínica. As explicações geradas foram encontradas fiéis às evidências usadas, conforme evidenciado por testes de perturbação direcionados onde a interrupção de sinais citados (por exemplo, largura do QRS, intervalos RR) degradou significativamente a precisão.

Significado e Alegações

O artigo alega que o DeepArrhythmia oferece uma alternativa prática à invocação constante de todas as ferramentas, alcançando um compromisso favorável entre precisão e eficiência. Ao desacoplar medição de integração, a estrutura produz previsões que são tanto mais precisas quanto mais interpretáveis, retendo evidência intermediária para análise de erros e revisão por especialistas.

Os autores posicionam o DeepArrhythmia não como um sistema de diagnóstico autônomo, mas como uma estrutura de suporte à decisão assistiva. O significado reside em operacionalizar décadas de progresso no processamento de sinais fisiológicos (detectores, extratores de características) integrando-os em um ciclo de raciocínio unificado orquestrado por um VLM. Essa abordagem permite integração extensível de conhecimento de domínio enquanto mantém coordenação entre modalidades.

O artigo reconhece limitações, incluindo:

• Heterogeneidade de desempenho entre classes, particularmente para batimentos de fusão raros.
• Sensibilidade a contexto temporal incompleto e baixa qualidade de sinal.
• Generalização limitada entre conjuntos de dados, sugerindo a necessidade de roteamento robusto consciente de incerteza em trabalhos futuros.
• A natureza retrospectiva do estudo, significando que a utilidade prospectiva em diversas instituições e dispositivos permanece a ser estabelecida.

Os autores concluem que a estrutura deve ser usada para assistir, não substituir, o julgamento clínico, com trabalhos futuros focando em validação multicêntrica e avaliação prospectiva de fluxo de trabalho.