通过可视图神经网络实现准确且可审计的心电图分类
Accurate and Auditable ECG Classification via Visibility Graph Neural Networks
精选理由
提出稀疏心电图可视图网络，在提升分类准确率的同时，以可删除、可检验的波形证据解释预测。
AI 摘要
arXiv:2610.41795v1 公告类型：新提交 摘要：医生根据波形形态和时序解读心电图（ECG），但高准确率的深度学习分类器很少展示哪些波形区域驱动了其预测。我们提出 LYNX-ECG，这是一种图神经网络，将每次心搏表示为由带时间戳的转折点构成的稀疏可视图。在 CODE-Test 上，LYNX-ECG 的宏平均 F1 分数达到 0.889，优于包括基础模型 ECGFounder 在内的五个基线模型，同时其图的存储需求仅为基于全部采样点构建的图的约 14%。由于每个节点都映射到心电图上的特定时间点，我们可以删除临床定义的波形区域并改变心搏时序，以审计预测结果。对于传导障碍，在超过 90% 的正确预测中，临床预期区域提供了最强的证据。在传导间期保持不变时，心动过缓和心动过速的判定随心率变化；消除逐搏变异后，心房颤动的判定则不再出现。因此，稀疏可视图将准确的心电图分类与具有临床依据、可检验的解释相结合。