An interpretable and explainable neural network to classify sports-related cardiac arrhythmias in professional football athletes

Este estudo apresenta uma rede neural interpretável e explicável que utiliza convolução sinc para classificar arritmias cardíacas relacionadas ao esporte em atletas de futebol profissional, demonstrando que a escolha da arquitetura deve alinhar-se com a fisiopatologia cardíaca subjacente para otimizar a detecção de padrões rítmicos versus morfológicos.

O essencial

Imagine que você é um treinador de futebol profissional. Você tem 161 jogadores de elite e precisa saber, antes de cada jogo, se o coração de algum deles está funcionando perfeitamente ou se há algum "truque" escondido que pode causar uma parada cardíaca súbita. O problema é que os corações dos atletas são diferentes dos corações das pessoas comuns: eles batem mais devagar e têm adaptações naturais que podem parecer doenças para quem não entende.

Este artigo é como a história de dois detetives (inteligências artificiais) que tentam resolver esse mistério, usando um mapa de tesouro muito especial chamado IA Explicável.

Aqui está a explicação simples do que eles fizeram:

1. O Grande Desafio: "O Mapa do Tesouro Errado"

Os pesquisadores queriam treinar seus detetives usando um mapa gigante de corações de pessoas comuns (o banco de dados PhysioNet, com quase 90.000 registros). Mas eles queriam testar esses detetives em um grupo muito específico: jogadores de futebol profissionais (o banco de dados PF12RED).

O problema: É como tentar ensinar alguém a dirigir em uma estrada de terra no Brasil e depois mandá-lo correr em uma pista de Fórmula 1 na Alemanha. Os carros são os mesmos, mas as regras e o terreno mudam. Os atletas têm o coração adaptado ao exercício, o que confunde os modelos tradicionais.

2. Os Dois Detetives (As Redes Neurais)

Para resolver isso, eles criaram dois tipos de "olhos" para a inteligência artificial:

• O Detetive "Padrão" (Convolução Regular): Ele é como um artista abstrato. Ele olha para o traço do eletrocardiograma (ECG) e tenta adivinhar o padrão baseado em tudo o que viu antes. Ele aprende por tentativa e erro, mas não necessariamente entende por que algo é importante. É como alguém que sabe que "se a linha sobe aqui, é perigo", mas não sabe a física por trás disso.
• O Detetive "Cientista" (Convolução Sinc): Este é o herói da história. Ele foi programado com uma regra física: "Você só pode olhar para frequências específicas, como se tivesse um filtro de rádio". Ele é forçado a focar nas partes do coração que realmente importam (como o ritmo e a frequência), ignorando o ruído. É como se ele tivesse óculos de sol que só deixam passar a luz certa para ver a verdade.

3. A Missão: Encontrar os "Inimigos"

Eles pediram para os dois detetives encontrarem quatro coisas específicas nos corações dos jogadores:

1. Ritmo Normal (NSR): O coração batendo no ritmo certo.
2. Bradicardia Sinusal (SB): O coração batendo devagar (comum em atletas, mas confuso para quem não sabe).
3. Bloqueio Incompleto (IRBBB): Um pequeno "atraso" no sinal elétrico.
4. Inversão da Onda T (TWI): Uma mudança na forma como o coração se recupera após bater.

4. Quem Ganhou a Corrida?

Os resultados foram fascinantes e mostraram que "um tamanho não serve para todos":

• Para Ritmo Normal e Ritmo Devagar: O Detetive Cientista (Sinc) foi o campeão! Como ele é especialista em ritmos e frequências, ele entendeu perfeitamente que um coração de atleta batendo devagar ainda é saudável. Ele acertou mais vezes.
• Para as Mudanças de Forma (IRBBB e TWI): O Detetive Padrão venceu. Essas condições são mais sobre a forma do desenho no papel do que sobre o ritmo. O Detetive Cientista, focado demais em frequências, perdeu um pouco, enquanto o Detetive Padrão, que olha para o desenho geral, conseguiu identificar melhor essas formas estranhas.

5. O Grande Truque: "O Mapa de Calor" (Grad-CAM)

Aqui está a parte mais legal: como sabemos se eles estão realmente entendendo ou apenas chutando?

Eles usaram uma ferramenta chamada Grad-CAM. Imagine que, quando o computador toma uma decisão, ele pinta um mapa de calor sobre o traço do coração, mostrando onde ele olhou.

• O Detetive Cientista pintou exatamente nas partes certas: onde o sinal elétrico começa e termina (o intervalo PR e a onda T). Ele agiu como um cardiologista humano.
• O Detetive Padrão às vezes pintou em lugares estranhos, como se estivesse olhando para o espaço em branco antes do traço começar (o "zero-padding"). Isso é como se ele estivesse olhando para a moldura da foto em vez da foto em si.

6. A Lição Final

O estudo nos ensina que, na medicina esportiva, não existe uma única "bala de prata".

• Se você quer saber se o ritmo é saudável, use um modelo que entenda a física (como o Sinc).
• Se você quer identificar formas estranhas, use um modelo que entenda padrões visuais (como o Padrão).

E, o mais importante: a inteligência artificial não precisa ser uma "caixa preta" misteriosa. Com as ferramentas certas, podemos ver exatamente o que ela está pensando, garantindo que os atletas não sejam injustamente afastados dos campos por um erro de computador, nem tenham problemas graves ignorados.

Em resumo: Eles criaram um sistema que não apenas diz "está doente" ou "está saudável", mas explica por que chegou a essa conclusão, usando a lógica do coração humano para ajudar os atletas a continuarem jogando com segurança.

Resumo técnico

Resumo Técnico: Rede Neural Interpretável e Explicável para Classificar Arritmias Cardíacas Relacionadas a Esportes em Atletas Profissionais de Futebol

1. Problema e Contexto

O risco de morte súbita cardíaca (MSC) é 2 a 3 vezes maior em atletas do que em não atletas. Embora o exercício traga benefícios, adaptações cardíacas induzidas pelo exercício podem criar uma zona cinzenta entre alterações fisiológicas (benignas) e patológicas (potencialmente letais).

• Desafio Principal: Distinguir entre adaptações normais de atletas (como bradicardia sinusal e bloqueio de ramo direito incompleto) e condições patológicas que requerem intervenção.
• Limitação de Dados: Há uma escassez crítica de conjuntos de dados de ECG (eletrocardiograma) esportivos de código aberto para treinar modelos de Inteligência Artificial (IA).
• Limitação de IA: Os modelos de "caixa preta" tradicionais carecem de interpretabilidade, dificultando a confiança clínica e a compreensão de por que uma decisão foi tomada, especialmente quando se transfere conhecimento de uma população geral para atletas.

2. Metodologia

Os autores propõem um pipeline de IA Explicável (xAI) que integra quatro eixos: análise de dados, interpretabilidade do modelo, visualização post-hoc e avaliação sistemática.

• Conjuntos de Dados:

  • Treinamento (Fonte): PhysioNet Challenge 21 (88.253 ECGs da população geral, 30 arritmias, 3 continentes).
  • Teste (Alvo): PF12RED (161 ECGs de 12 derivações de jogadores da La Liga espanhola, coletados em repouso).
  • Classes Alvo: Ritmo Sinusal Normal (NSR), Bradicardia Sinusal (SB), Bloqueio de Ramo Direito Incompleto (IRBBB) e Inversão da Onda T (TWI).

• Arquitetura do Modelo:
  Foram desenvolvidas duas redes neurais profundas baseadas em ResNet com atenção multi-cabeça, diferenciadas apenas pela camada de convolução inicial:

  1. Rede com Convolution Regular: Camadas de convolução padrão que aprendem padrões de características arbitrários.
  2. Rede com Convolution Sinc (Interpretável): A primeira camada utiliza uma convolução sinc que restringe o aprendizado aos "frequentes de corte de baixa e alta" de filtros passa-banda. Isso força a rede a processar faixas de frequência fisiologicamente relevantes (ex: P, QRS, T) antes de passar para camadas subsequentes.

• Estratégia de Treinamento e Adaptação de Domínio:

  • Treinamento iterativo com estratificação (80/20) no PhysioNet.
  • Uso de Domain Adaptation para transferir o conhecimento da população geral para os atletas.
  • Ensemble de três subunidades com votação majoritária.
  • Otimização de limiares de classificação via algoritmo de evolução diferencial.

• Explicabilidade (xAI):

  • Grad-CAM (Gradient-weighted Class Activation Mapping): Utilizado para gerar mapas de calor que destacam as regiões do ECG mais críticas para a decisão do modelo, permitindo verificar se o modelo está focando em segmentos fisiológicos (ex: intervalo PR, onda T) ou artefatos.

3. Contribuições Principais

1. Pipeline de xAI Integrado: Um framework que não apenas classifica, mas avalia a robustez do modelo através da combinação de interpretabilidade intrínseca (convolução sinc) e explicabilidade post-hoc (Grad-CAM).
2. Arquitetura Sinc para ECG: Demonstração de que a restrição de frequências via convolução sinc melhora a interpretabilidade biológica do modelo, alinhando o aprendizado a características fisiológicas reais.
3. Adaptação de Domínio Específica: Validação da transferência de modelos treinados em dados hospitalares gerais para a população de atletas de elite, lidando com o desequilíbrio de classes e diferenças demográficas.
4. Análise Comparativa: Uma comparação direta entre arquiteturas "caixa preta" (convolução regular) e "interpretáveis" (sinc) no contexto de arritmias esportivas.

4. Resultados

Os modelos foram avaliados usando AUROC, AUPRC e F1-score.

• Desempenho Geral: Ambos os modelos alcançaram AUROC > 0,5 para todas as classes, indicando capacidade de classificação acima do acaso.
• Comparação de Arquiteturas:
  • Ritmo Sinusal Normal (NSR): A rede Sinc superou a regular (AUROC 0,75 vs 0,70).
  • Bradicardia Sinusal (SB): A rede Regular teve ligeira vantagem (AUROC 0,74 vs 0,73), embora ambas tenham F1-score de 0,81.
  • Bloqueio de Ramo Direito Incompleto (IRBBB): A rede Regular foi superior (AUROC 0,66 vs 0,58; F1 0,19 vs 0,07).
  • Inversão da Onda T (TWI): A rede Regular foi superior (AUROC 0,59 vs 0,54; F1 0,08 vs 0,05).
• Análise via Grad-CAM:
  • O modelo Sinc demonstrou maior seletividade, focando em segmentos fisiológicos relevantes (ex: intervalo PR para NSR/SB e onda T para TWI).
  • O modelo Regular focou em padrões morfológicos mais amplos.
  • Artefato Crítico: Ambos os modelos, especialmente o Sinc, atribuíram importância ao zero-padding (preenchimento com zeros usado no pré-processamento), o que é um artefato não fisiológico. Isso sugere que o padding pode degradar o desempenho em certas classes.
• Dificuldades: Ambos os modelos tiveram dificuldade com IRBBB e TWI devido ao forte desequilíbrio de classes (sub-representação no treinamento vs. alta prevalência nos atletas) e à complexidade morfológica dessas condições.

5. Significância e Conclusão

O estudo demonstra a viabilidade de usar IA explicável para triagem cardíaca em atletas, superando a barreira da escassez de dados esportivos através da adaptação de domínio.

• Insight Fisiológico: A arquitetura Sinc é mais adequada para condições baseadas em periodicidade e ritmo (como NSR), pois sua natureza de filtro passa-banda alinha-se melhor com a fisiologia cardíaca. A arquitetura Regular é superior para detectar padrões morfológicos complexos e não periódicos (como IRBBB e TWI).
• Implicações Clínicas: A capacidade de visualizar onde o modelo está olhando (Grad-CAM) é crucial para ganhar a confiança dos cardiologistas. No entanto, a detecção de atenção em artefatos de pré-processamento (zero-padding) alerta para a necessidade de refinamento nos pipelines de dados.
• Futuro: O trabalho sugere que a escolha da arquitetura deve ser guiada pela fisiopatologia subjacente da arritmia. Trabalhos futuros devem focar em resolver o desequilíbrio de classes, utilizar técnicas como Dynamic Time Warping para evitar artefatos de padding e desenvolver conjuntos de dados específicos para atletas para melhorar a estratificação de risco.

Em suma, o artigo oferece um framework robusto para desenvolver modelos de IA não apenas precisos, mas também clinicamente interpretáveis, essenciais para a medicina esportiva de alto rendimento.