原型学习用于从心电图中创建精细可解释的数字表型.pdfVIP

原型学习用于从心电图中创建精细可解释的数字表型

1,2,2,2342,

SahilSethi,DavidChen,MichaelC.Burkhart,NipunBhandari,BasharRamadan,andBrettBeaulieu-Jones

1PritzkerSchoolofMedicine,UniversityofChicago,IL,USA

2CenterforComputationalMedicineClinicalAI,SectionofBiomedicalDataScience,DepartmentofMedicine,Universityof

Chicago,IL,USA

3DivisionofCardiovascularMedicine,DepartmentofInternalMedicine,UniversityofCaliforniaDavis,CA,USA

4SectionofHospitalMedicine,DepartmentofMedicine,UniversityofChicago,IL,USA

电子邮件：beaulieujones@,作者贡献相同

基于原型的神经网络通过将输入与训练数据中锚定的学习代表性信号模式进行比较，提供了可解释的预测。尽管这类模型在生理数据

本分类方面显示出潜力，但仍不清楚它们的原型是否捕捉到了与更广泛的临床表型相一致的基础结构。我们使用了一个基于原型的深度

学习模型，该模型是用PTB-XL数据集训练多标签心电图分类任务的。然后，在不进行任何修改的情况下，我们在MIMIC-IV临床

译数据库上进行了推理。我们评估了单独的原型（仅用于分类训练）与外部人群中phecode形式的医院出院诊断之间的关联性。单个原

中型展示了与其分类器类别预测、自然语言处理提取的概念或所有phecode类别的更广泛原型类别相比，更强且更具特异性的临床结

果相关性。具有混合显著模式的原型类显示出显著更大的类内距离（p0.0001），这表明该模型学习到了在诊断类别内部区分具有临

1床意义的变化的能力。这些原型在多种条件下实现了强大的预测性能，AUC值范围从房颤的0.89到心力衰竭的0.91，并且对于非心

v脏疾病如败血症和肾病也显示出了显著的信号。这些发现表明基于原型的模型可以支持从生理时间序列数据中进行可解释的数字表

1型分析，提供能够捕捉超出其原始训练目标的临床有意义生理特征的可转移中间表型。

2

5Keywords:心电图（ECG）、原型学习、可解释的人工智能、数字表型、精准医疗。

1

0

.

81.介绍

0

5现代医疗保健系统生成了大量的生理时间序列数据，然而我们从这些信号中提取临床有意义结构的能力

2

:仍然有限。心电图（ECGs）尤其编码了丰富的关于心脏和全身生理的信息。尽管深度学习模型在基于

v

i1,2

xECG的诊断中展示了令人印象深刻的准确性，但它们不透明的表现形式提供了很少的洞察力，即生

r3

a理模式如何与更广泛的患者表型相关联。最近，Hughes等人证明了心电图可以检测到一个令人惊讶地

广泛的1,243种不同的心脏和非心脏状况，包括以前未知的表型如中性粒细胞减少症和月经障碍，并揭

示了许多非心脏状况具有相似的心电图特征。

鉴于精准医疗旨在根据具有生物学意义的特征对患者进行分层，人们对不仅能够预测，还能解释和