Physiology-augmented deep representations improve cross-database electrocardiogram beat classification under unseen-domain shift
本研究表明，通过利用生理描述符增强深度神经网络嵌入，可以显著提高心电图心拍分类在未见领域偏移下的跨数据库性能，从而为在无需目标域自适应的情况下实现模型在不同机构和设备间的泛化提供了一种鲁棒的解决方案。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
人类的心脏以一种既是生物性又是电性的节奏跳动，向胸腔发送信号，一个多世纪以来，医生们一直使用一种叫做心电图（ECG）的机器来读取这些信号。这些机器在屏幕上产生一条锯齿状的线条，这是心脏电活动的视觉记录，揭示了该器官是在正常跳动还是在与心律失常作斗争。几十年来，解读这些线条的任务一直由人类专家承担，但来自可穿戴设备和医院监护仪的海量数据使得教计算机完成这项工作变得必要。近年来，人工智能已成为首选工具，深度学习系统经过训练，能够识别出肉眼可能无法察觉的心跳模式。然而，一个顽固的问题依然存在：一个在一个医院学会完美读取心跳的计算机程序，当被要求读取来自另一家医院、另一台机器或另一组人群的心跳时，往往会失败。这是因为来自不同来源的数据看起来略有不同，从而产生了一个计算机在没有重新训练的情况下难以跨越的鸿沟。
加纳夸梅·恩克鲁玛科技大学的研究人员着手研究，看他们是否能帮助这些人工智能模型在无需预先看到新数据的情况下跨越这一鸿沟。他们提出了一个简单的问题：如果计算机通过观察波形的原始形状来识别心跳，那么如果同时告诉它关于该心跳的具体、可测量的特征（例如波形持续的时间或心跳之间的间隔），它是否也会从中受益？为了测试这一点，他们构建了一个结合了两种观察方式的系统。系统的第一部分使用强大的现代神经网络，直接从原始信号中学习复杂的模式，就像学生背诵成千上万个例子一样。系统的另一部分则使用传统的基于规则的方法来测量特定的间隔和形状，提取出关于心跳节奏和时序的一组四十个清晰的数值事实。他们在来自一个大型知名数据库的心脏数据上训练了这个组合系统，然后在一个完全不同的、系统从未见过的数据库上对其进行测试，确保在训练过程中没有使用来自新测试集的任何信息来调整模型。
结果表明，将显式的测量事实添加到深度学习模型中确实产生了影响。当该系统在未见的外部数据库上进行测试时，仅使用原始模式识别的版本在正确分类心跳方面表现挣扎，其得分反映出面对新数据时的显著困难。然而，将原始模式与四十个测量事实相结合的版本表现明显更好。这种提升并非微小的波动；统计分析证实，这种增益是真实的，而非由于偶然。这个混合系统（同时使用了深度学习模式和显式测量值）比单纯使用深度学习系统的系统更频繁地正确识别心跳类型。这表明这两种方法是从不同的角度观察心脏。深度学习模型擅长识别单个心跳的整体形状，但它忽略了该心跳前后发生的情况这一背景。而测量事实（包括心跳之间的间隔和节奏）提供了这种缺失的背景，充当了一个桥梁，帮助计算机理解即使它从未见过的新数据。
研究人员发现，系统从测量事实中获得的 most 有价值的信息是节奏本身。当他们暂时阻断系统观察心跳之间时序的能力时，其性能下降程度比阻断任何其他类型的信息都要大。这很合理，因为深度学习模型是基于孤立的一秒钟心跳窗口进行训练的，因此它自然不知道心脏整体跳动得有多快或节奏有多规律。显式测量填补了这一空白，为系统提供了更广阔的心脏行为视野。虽然深度学习模型本身可以处理大多数正常心跳，但在面对新数据库时，它在处理复杂且罕见的异常节奏时显得力不从心。增加测量事实有助于系统更好地处理这些困难病例，提高了其区分不同类型心律失常的能力。
需要注意的是，这种改进是针对从一个数据库转移到另一个数据库的挑战而言的。当研究人员在与训练数据来自同一家医院的数据上测试该系统时，添加测量事实带来的益处要小得多，且在统计学上并不显著。这告诉我们，额外的额外信息并非是适用于所有情况的通用增强器，而是一个特定的工具，帮助计算机在数据发生意外变化时进行适应。该研究并未声称解决了心血管疾病诊断的问题，也没有暗示这些模型已准备好立即应用于每家诊所。研究人员谨慎地指出，他们的系统在处理最罕见的心跳类型时仍然面临困难，仅仅是因为在测试数据中这类样本太少，导致难以学习。此外，该系统依赖于单导联心电信号，而现实世界的医疗设备通常使用多导联以获得更全面的视图。
尽管存在这些局限性，这项工作提供了一条清晰的路径。它证明了我们不必在现代人工智能强大的模式识别能力与传统医学可靠、可解释的测量值之间做选择。相反，两者可以协同工作。通过向深度学习模型同时输入原始信号和一组关于心脏时序与形状的清晰、经过验证的事实，研究人员可以创建出更具鲁棒性、并能更好地处理来自不同来源的杂乱现实数据的系统。这种方法表明，自动化心脏监测的未来可能不在于用机器取代人类知识，而在于教机器尊重并使用人类医生几代人以来所依赖的具体、可测量的真理。研究得出结论，虽然深度学习模型提供了坚实的基础，但加入生理学事实提供了一个互补的理解层，帮助系统即使在视角发生变化时也能更清晰地观察心脏。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。