新上线今天0 投票
基于领域知识的时空图卷积网络：提升心电图识别可解释性与罕见病诊断能力
概述
在人工智能（AI）广泛应用的时代，模型可解释性仍是医疗等专业领域面临的核心挑战。近日，一项发表于ICONIP 2024的研究提出了一种基于领域知识的时空图卷积网络（Domain Knowledge Based Temporal-Spatial Graph Convolution Network），用于心电图（ECG）识别，在提升性能的同时增强了模型的可解释性。
方法创新：将医学知识融入图结构
传统深度学习方法（如卷积神经网络）常被视为“黑盒”，难以解释其决策依据。该研究另辟蹊径，引入PRQST关键点——这些是ECG解读中至关重要的波形特征点（如P波、QRS波群、T波等），作为领域知识注入模型。
具体而言，研究者构建了一个双流有向图来建模ECG信号：
- 空间有向图：捕捉每个心动周期内关键点之间的相对位置关系。
- 时间有向图：刻画连续心动周期之间关键点的时间依赖关系。
这种结构使模型不仅学习数据模式，还能利用医学先验知识，从而提升可解释性和对异常模式的识别能力。
实验结果：罕见类别性能显著提升
研究团队在首届中国心电图智能竞赛数据集上进行了验证，该数据集包含9类心电异常。结果显示：
- 总体平均F1分数达到88.1%，优于现有最优模型。
- 罕见类别平均F1分数达到76.3%，同样领先。
值得注意的是，引入领域知识后，模型对罕见类别的检测性能提升尤为明显。这在实际临床中具有重要意义——罕见心律失常往往更容易被漏诊，而该模型通过知识引导，有效缓解了数据不平衡带来的偏差。
行业意义与展望
该研究为AI在医疗诊断中的应用提供了新思路：通过嵌入领域知识，模型不仅能“看”到数据，还能“理解”临床逻辑。这种图网络架构可推广至其他生物信号（如脑电图、肌电图）分析中。
未来，随着可解释AI（XAI）在医疗领域的合规要求日益严格，这类将先验知识结构化的方法有望成为主流。研究团队表示，下一步将探索更多类型的领域知识（如临床诊断规则）与图网络的融合，以进一步提升模型的泛化能力和临床适用性。