Clinical Evidence Morphology--Rhythm for ECG (CEMR-ECG): a traceable evidence framework for imbalanced heartbeat classification

技术摘要：临床证据形态—节律心电图（CEMR-ECG）

问题陈述
自动心电图（ECG）心跳分类器通常难以应对类别不平衡问题，即正常心跳在分布中占据主导地位，导致罕见心跳（上心室、心室和融合波）被漏诊。此外，标准的深度学习模型通常只能提供最终评分之外的有限决策证据，使得解释为何将特定心跳归为此类变得困难。现有的方法通常侧重于改进波形编码器、重塑训练数据、改变损失函数或提供事后解释。目前存在一个空白，即缺乏一种可追溯的决策层框架，该框架能在波形骨干网络的概率输出与最终分类之间插入固定的、具名的临床证据，专门用于在不损害决策过程可解释性的前提下恢复稀有类别。

方法论
作者提出了 CEMR-ECG，这是一个可追溯的证据框架，它作为决策层接口运行，而非替换底层的波形骨干网络。该框架旨在兼容任何输出标准类别概率向量的 AAMI 式心跳分类器：正常（N）、上心室期前收缩（S）、心室期前收缩（V）、融合波（F）和未知（Q）。

1. 证据表示：
   对于每个带注释的心跳，通过五个特定的临床证据组构建一个固定的 362 维证据向量 ($z_i$)：

   • RR 节律： 前后 R–R 间期、局部/全局中位数及比例。
   • 形态学： 每个保留导联的 26 个局部形态摘要。
   • 导联间波形差异： 两个保留导联之间的成对差异。
   • 形状导数摘要： 重采样波形和一阶差分迹线。
   • 原型证据： 与类别原型（从训练集计算得出）的余弦相似度和距离度量。

2. 架构与融合：

   • 骨干网络接口： 候选骨干网络（机器学习、ECG 特定的深度学习或通用时间序列模型）提供原始概率向量 ($p^B_i$)。
   • 证据编码器： 一个共享的极端随机树（Extremely Randomized Trees）编码器将证据向量 $z_i$ 映射为证据概率向量 ($p^E_i$)。
   • 适配器： 框架使用一个参数 $\alpha$（通过内部验证进行网格搜索选择）形成骨干网络概率与证据概率的归一化加权几何池。
   • 生物自适应解码器（BioAdaptive Decoder）： 一个有界解码器应用从训练流行度中导出的类别乘数（上限设定以防止过度膨胀导致的少数类恢复），并结合幂参数 $\gamma$。研究评估了六种候选策略（例如：S 类恢复、F 类恢复、保守默认等）。
   • 选择逻辑： 适配器权重 ($\alpha$) 和解码器策略 ($k$) 根据内部验证性能（最大化 M-F1(4) 并进行平局决胜）进行选择。至关重要的是，“保护条件”可以防止解码器在验证支持不足（例如，若 F 类的增益是基于少于 10 个验证心跳）或准确率显著下降时应用激进的恢复。

3. 实验设计：
   本研究评估了 20 种不同的骨干网络（11 种机器学习、4 种 ECG 特定深度学习、5 种时间序列模型），涵盖三个公开数据库（MIT-BIH、INCART、SVDB），采用五种随机种子，共计 300 次配对运行。主要终点是针对 N/S/V/F 的四类宏平均 F1 分数（M-F1(4)）。对于 F 心跳稀疏的数据集，使用了支持度感知的三类指标（M-F1(3-NSV)）作为解释性终点。

核心贡献

1. 可追溯证据层： 一个固定的、具名的形态—节律证据层，插在任何兼容 AAMI 的骨干网络与最终决策之间，实现了决策向特定临床证据组件的可计算追溯性。
2. 受验证约束的生物自适应解码： 一种使用流行度导出的乘数和受保护限制的自适应解码器，而非测试集调优阈值，确保了少数类恢复的稳定性和受限于内部验证支持。
3. 全面的配对评估： 在 20 种骨干网络和三个数据库（300 次运行）上的严格评估证明，该框架可以在无需重新训练底层波形编码器的情况下提高性能。

结果

• 性能提升： CEMR-ECG 在所有 60 个数据集–骨干网络汇总和 297/300 次种子级运行中均提高了主要 M-F1(4) 指标。
  • 平均 M-F1(4) 提升了 11.48 个百分点（从 48.32% 提升至 59.80%）。
  • 平均准确率提升了 6.81 个百分点（从 86.32% 提升至 93.13%）。
• 特定类别恢复：
  • S（上心室）： F1 提升了 17.53 个百分点（28.11% 至 45.64%）。
  • V（心室）： F1 提升了 15.83 个百分点（66.94% 至 82.77%）。
  • F（融合波）： 恢复情况取决于支持度。MIT-BIH 显示了 +19.62 点的增益；INCART 显示了 +5.58 点。在仅有 23 个 F 心跳的 SVDB 中，由于缺乏验证支持，未进行 F 类恢复，框架保持保守。
• 组件分析： 消融研究表明，RR 节律是性能提升的主要驱动力（移除它会导致 M-F1(4) 下降 5.06 点）。形态学和原型组件提供了可追溯性和次要证据，但在单独移除时对整体性能增益的贡献较小。
• 评分质量： 该框架在决策界面处改善了 Brier 分数（0.2313 至 0.1172）和预期校准误差（0.0975 至 0.0689）。
• 开销： 组合预测时间约为原始骨干网络的 1.57 倍，中位数为每 10,000 个测试心跳 0.475 秒。

意义与声明
本文声称 CEMR-ECG 提供了一个可复用的、计算可追溯的决策层，它在不替换波形编码器的情况下增强了不平衡心跳的分类。其意义在于：

• 可解释性： 决策可以链接到具名的证据组件（RR 节律、形态学等），而非不透明的分数。
• 对不平衡的鲁棒性： 它在保持高准确率（针对正常心跳）的同时，实现了显著的少数类恢复（S 和 V），且不依赖于测试集调优。
• 泛化性： 该框架与架构无关，能够提升多种机器学习和深度学习骨干网络的性能。

局限性与范围
作者明确指出，这是一个回顾性计算研究，使用的是公开的、去标识化的数据库。

• 该框架不是一种新的波形分类器，而是一个决策层接口。
• 声明仅限于受支持的 N/S/V 轴；F 类恢复严格取决于数据支持。
• 无患者护理声明： 本研究不包括前瞻性验证、工作流测试或与上游 QRS 检测器的集成。作者强调，在任何临床实施之前，都需要进行前瞻性、患者层面以及面向工作流的验证。