CARE-ECG：説明可能かつ反実仮想的なECG解釈のための因果エージェントによる推論

Abstract

大規模言語モデル（LLM）は、波形からテキストへの心電図（ECG）解釈や、対話的な臨床上の質問を可能にしますが、ほとんどのECG-LLMシステムは依然として、明示的な生理学的または因果的構造を伴わない弱い信号-テキスト整合と、検索に頼っています。これにより、臨床意思決定に中核となる基盤付け（grounding）、時間的推論、反実仮想の「もし〜なら（what-if）」分析が制限されます。我々は、表現学習、診断、説明を単一のパイプラインで統合する因果構造化ECG-言語推論フレームワークであるCARE-ECGを提案します。CARE-ECGは複数誘導ECGを、時間的に整理された潜在バイオマーカーとして符号化し、確率的診断のための因果グラフ推論を実行し、構造的因果モデルによって反実仮想評価を支援します。忠実性（faithfulness）を向上させるために、CARE-ECGは因果的検索強化生成と、履歴、診断、応答を検証と統合するモジュール型のエージェント的パイプラインにより、言語出力を因果に基づいて根拠付けます。複数のECGベンチマークおよび専門家QA設定において、CARE-ECGは診断精度と説明の忠実性を向上させるとともに、幻覚を低減します（例：GPT-4におけるExpert-ECG-QAで0.84、SCP-mapped PTB-XLで0.76）。全体としてCARE-ECGは、主要な潜在的ドライバ、因果的な証拠経路、そして代替となる生理学的状態が転帰をどのように変えるかを明示することで、追跡可能な推論を提供します。