病理情報を取り入れた多視点対照学習による患者依存性のないECG再構成

Abstract

縮小したリードセットから12誘導心電図（ECG）を再構成することは、解剖学的なばらつきのため不適定な逆問題である。標準的な深層学習法はしばしば基礎となる心臓病理を無視し、前胸部誘導における重要な形態を失ってしまう。私たちは Pathology-Aware Multi-View Contrastive Learning（病理学的認識を備えた多視点対比学習）を提案します。病理学的多様体を通じて潜在空間を正則化するフレームワークです。私たちのアーキテクチャは、時間領域の高忠実度波形と、病理学的認識を備えた埋め込みを教師あり対比整列により学習します。潜在表現と臨床ラベル間の相互情報量を最大化することにより、解剖学的な「ノイズ」変数をフィルタリングすることを学習します。PTB-XLデータセットでは、我々の手法は患者非依存設定において、最先端モデルと比較してRMSEを約76%低減します。PTB Diagnostic Databaseでのクロスデータセット評価は、卓越した一般化を確認し、ハードウェアの携帯性と診断レベルの再構成の間のギャップを埋めます。