Resumo Técnico: HexagonalWarriorMamba (HWMamba)

Declaração do Problema

O diagnóstico automatizado preciso de anomalias cardíacas a partir de eletrocardiogramas (ECGs) de 12 derivações é crítico para o manejo de doenças cardiovasculares. No entanto, detectar condições concorrentes (classificação multirrotulada) permanece um desafio significativo para modelos tradicionais de aprendizado profundo. Abordagens convencionais, como Redes Neurais Convolucionais 1D (CNNs) e Transformers, frequentemente lutam para modelar as dependências de longo alcance inerentes aos sinais de ECG. Além disso, embora Modelos de Espaço de Estado (SSMs) recentes, como o Mamba, tenham mostrado promessa no manuseio de sequências longas, sua aplicação a ECGs de 12 derivações focou principalmente em entradas de séries temporais 1D. Uma limitação chave na pesquisa atual é a disparidade entre métricas independentes de limiar (por exemplo, AUROC) e métricas dependentes de limiar (por exemplo, Pontuação do Desafio, Precisão do Subconjunto), que são mais reflexivas da utilidade clínica do mundo real, onde limiares de decisão específicos determinam o diagnóstico.

Metodologia

O artigo propõe o HexagonalWarriorMamba (HWMamba), uma estrutura inovadora que reimagina o processamento de ECG de 12 derivações tratando o sinal não como uma série temporal 1D, mas como uma imagem 2D de canal único. Essa transformação permite que o modelo aproveite arquiteturas estabelecidas de análise de imagem 2D para capturar tanto relações inter-derivação (espaciais) quanto intra-derivação (temporais).

Arquitetura Central

• Representação de Entrada: O ECG de 12 derivações é estruturado como uma imagem 2D retangular com dimensões correspondentes a 12 derivações (espaciais) e 8192 amostras (temporais). Notavelmente, os autores intencionalmente omitiram a normalização padrão (por exemplo, escore Z) para preservar informações diagnósticas relacionadas à amplitude.
• Design Hierárquico: Inspirado pelo Swin Transformer e VMamba, o HWMamba emprega uma estrutura hierárquica com subamostragem progressiva. A arquitetura transita de mapas de características de alta resolução e rasos para mapas de características de baixa resolução e mais profundos.
• Componentes Especializados:
  • Convolução Inicial: Um kernel retangular (3×16) com um passo de (1, 16) é usado para acomodar a natureza assimétrica dos dados de ECG (dimensão espacial curta, dimensão temporal longa).
  • Mecanismo SS2D: A unidade de processamento central utiliza um mecanismo de Varredura Seletiva 2D (SS2D) derivado do VMamba. Isso varre o mapa de características 2D em quatro direções (esquerda para direita, direita para esquerda, topo para base, base para topo) para modelar contexto global e dependências espaciais de forma eficiente.
  • MLP com Portão: A arquitetura incorpora um Perceptron Multicamadas (MLP) com Portão com um fator de expansão de 4x. Esse mecanismo de portão facilita a seleção adaptativa de características e contribui para um treinamento mais estável em comparação com MLPs padrão.
  • Subamostragem: Determinado empiricamente para usar um passo de (1, 2) para reduzir efetivamente a dimensão temporal enquanto preserva informações espaciais inter-derivação críticas.

Configuração Experimental

• Conjunto de Dados: O modelo foi avaliado no conjunto de dados do Desafio PhysioNet/Computing in Cardiology (CinC) 2021, compreendendo 88.253 gravações de ECG multiderivação de sete instituições internacionais. O conjunto de dados inclui 26 rótulos diagnósticos (25 anomalias mais ritmo sinusal).
• Estratégia de Treinamento: O estudo utilizou uma estratégia de validação cruzada de 5 dobras com uma divisão de 80/20 entre treinamento e teste. Os limiares para avaliação foram otimizados exclusivamente no conjunto de treinamento para evitar vazamento de dados.
• Otimização: O modelo foi treinado usando o otimizador Adam com um programador de annealing cosseno e uma fase de aquecimento.

Contribuições Principais

1. Benchmarks e Desempenho: O estudo estabelece um novo ponto de referência para classificação multirrotulada de ECG. O HWMamba supera os métodos atuais de Estado da Arte (SOTA) em cinco métricas dependentes de limiar, incluindo Pontuação do Desafio e Precisão do Subconjunto. Os autores denominam esse desempenho consistente em múltiplas dimensões como desempenho "Guerreiro Hexagonal".
2. Generalização e Estabilidade de Limiar: O artigo destaca que um desempenho forte em métricas independentes de limiar (como AUROC) não garante eficácia prática. O HWMamba demonstra uma pequena lacuna de desempenho entre limiares derivados de dados de treinamento versus dados de teste, indicando generalização robusta e estabilidade em configurações do mundo real.
3. Inovação Arquitetural: Ao converter ECGs de 12 derivações em imagens 2D e aplicar o mecanismo SS2D, o modelo modela com sucesso relações espaciais complexas entre derivações, abordando limitações encontradas em modelos de sequência 1D puros.

Resultados

Avaliado contra métodos SOTA (incluindo ISIBrno, 2D-CNN, 2DRU+LC, ECG-Mamba e 1D-Mamba), o HWMamba alcançou o seguinte:

• Métricas Dependentes de Limiar: O HWMamba alcançou as pontuações mais altas em Precisão do Subconjunto (59,51%), Pontuação do Desafio (0,7294), F1-score Macro (0,6156) e F1-score Ponderado (0,7730). Também alcançou a menor Perda de Hamming (0,0250).
• Métricas Independentes de Limiar: O HWMamba manteve desempenho próximo ao SOTA em AUROC Macro (0,9698), ficando apenas ligeiramente atrás do método 2DRU+LC (0,9729).
• Desempenho por Classe: O modelo superou consistentemente as linhas de base na maioria das classes de anomalias cardíacas, mostrando resiliência particular em categorias desafiadoras onde outros modelos lutaram.
• Estudos de Ablação: Os resultados indicaram que:
  • Normalização: A aplicação de normalização por escore Z degradou o desempenho, confirmando que a amplitude bruta contém informações diagnósticas vitais.
  • Arquitetura: A configuração MLP com Portão foi essencial para alcançar a maior Pontuação do Desafio e pontuações F1, apesar de MLPs padrão produzirem ligeiramente maior precisão do subconjunto isoladamente.
  • Passo: Um passo de subamostragem (1, 2) foi encontrado como ótimo em comparação com passos simétricos ou outros assimétricos.

Significado e Alegações

O artigo alega que o HWMamba representa uma abordagem robusta e versátil para classificação multirrotulada de ECG. Seu significado reside em preencher a lacuna entre alta capacidade discriminativa e seleção de limiar eficaz derivada de dados de treinamento. Ao contrário de alguns métodos existentes (por exemplo, 2DRU+LC) que mostram grandes lacunas de desempenho ao mover de limiares otimizados para treinamento para limiares otimizados para teste, o HWMamba demonstra forte estabilidade de limiar.

Os autores argumentam que este perfil de desempenho "Guerreiro Hexagonal" — equilibrando resultados fortes em todas as seis dimensões de avaliação — posiciona o modelo como uma ferramenta confiável para implantação clínica. O estudo sugere que a combinação de modelagem espacial 2D via SS2D e a preservação da amplitude do sinal bruto permite que o modelo capture dependências cardíacas complexas que modelos 1D perdem, evitando ao mesmo tempo as armadilhas de generalização de arquiteturas que dependem fortemente de métricas independentes de limiar. O artigo conclui que trabalhos futuros poderiam explorar combinar as vantagens estruturais de arquiteturas U-Net com modelagem de sequência baseada em Mamba para melhorar ainda mais a robustez do limiar.