CineECG 3D再構成の臨床的有用性を「クロスモーダル特徴帰属」により検証する

Abstract

12誘導心電図（ECG）解析のための深層学習モデルは高い診断性能を達成していますが、臨床への統合に必要な直感的な解釈可能性を欠いています。標準的な特徴帰属（feature attribution）手法は、抽象的な波形変動を物理的な解剖学的病態へ対応付けることの本質的な難しさによって制限されます。これを解決するために、本研究では、高性能な12誘導ECGモデルから得られる特徴帰属をCineECGの3D解剖学的空間へ投影するクロスモーダル手法を提案します。本研究により、CineECG信号に直接学習したモデルでは精度が低下し、帰属が一貫しない一方で、提案するマッピング機構は臨床的に関連する特徴ランキングを効果的に復元できることがわかりました。領域の専門家によって注釈付けされた20症例からなる真値データセットで検証したところ、マッピングされた説明はDiceスコア0.56を示し、標準的な12誘導の帰属における0.47のベースラインを有意に上回りました。これらの結果は、クロスモーダル平均化マッピングが帰属の不安定性を効果的に除去し、病的特徴の局在化を改善することを示しており、標準ECGの診断的表現力と、解剖学的可視化の直感的な明瞭さとを組み合わせるものです。