초록 심층 학습(DL)은 ECG 분석에서 높은 정확도를 보여주지만 설명 가능성이 부족합니다. 설명 가능 인공지능을 사용하여 설명을 추정할 수 있지만, 그 인과성은 아직 충분히 조사되지 않았습니다. 우리는 DL 설명의 인과성을 임상적으로 관련된 ECG 특성과 연관시켜 광범위하게 검증할 수 있는 일반화 가능한 방법을 제시합니다. 1521개의 단일 리드 ECG에서 심방 세동(AF) 탐지를 위해 장기 모델과 단기 모델을 결합한 xECGArch를 적용하여 96.3%의 정확도를 달성했습니다. 설명은 리듬과 형태학에 관한 AF의 진단 기준과 일치합니다. 단기 모델은 P파와 세동파와 같은 형태학적 특성에 중점을 두는 반면, 장기 모델은 QRS 복합체에 중점을 둡니다. 또한, 장기 모델의 설명은 리듬과 강하게 상관관계가 있습니다(p < 0.001). 향상된 임상 해석 가능성을 위해, 우리는 리듬과 형태학에 대한 관련 설명을 강조하는 융합 표현(xFuseMap)을 도입합니다. 우리는 따라서 진단 지원을 제공할 잠재력이 있는 설명 가능하고 해석 가능한 DL 응용 프로그램을 입증합니다.
Hammer et al. (Thu,)은 이 질문을 연구했습니다.