Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightDikkat ağırlıkları EKG sinyaline bindirilerek üretilen ısı haritaları karar mekanizmasına zamansal yorumlanabilirlik kazandırmaktadır.
📌 3 Maddede Bu Makale
Özet
Kardiyovasküler hastalıklar dünya çapında mortalitenin başlıca nedenidir. Tanıda düşük maliyetli ve invaziv olmayan elektrokardiyografi (EKG) birincil araçtır. Manuel inceleme uzmanlara yüksek iş yükü getirdiğinden literatürde çok sayıda derin öğrenme yaklaşımı bulunmaktadır. Bu çalışmada, PTB-XL veri tabanındaki SCP kodlarıyla tanımlanan beş hastalık sınıfının (NORM, MI, STTC, CD, HYP) eş zamanlı sınıflandırılması hedeflenmiştir. Önerilen mimari üç bileşenlidir. İlk bileşende cinsiyet, yaş, boy ve kilo değişkenlerine ikinci dereceden polinom çapraz öznitelik dönüşümü uygulanmıştır. Veriler GELU fonksiyonlu sinir ağıyla dmodel boyutlu uzaya aktarılmıştır. İkinci bileşende 12 kanallı EKG kayıtları paralel evrişimle (1D-CNN) çok ölçekli temsillere ayrılmış, zamansal bağımlılıklar xLSTM (mLSTM) katmanlarıyla modellenmiştir. Üçüncü bileşende klinik veriler 'sorgu', EKG verileri 'anahtar/değer' olarak çapraz dikkatle harmanlanmış sınıfa özgü bağlam vektörleriyle tahmin üretilmiştir. Bilgi sızıntısını önleyen eğitimde çoklu etiketle uyumlu BCEWithLogitsLoss kaybı kullanılmıştır. Öğrenme oranı ve AdamW ağırlık bozumu 12 hücreli ızgara taramasıyla optimize edilmiş, ablasyon çalışmaları yürütülmüş, model ResNet ve InceptionTime ile kıyaslanmıştır. Beş bağımsız tohumda %95 güven aralığında elde edilen 0.9106 makro AUROC ve 0.7151 makro F1 skorları yöntemin başarımını ortaya koymaktadır. Dikkat ağırlıkları EKG sinyaline bindirilerek üretilen ısı haritaları karar mekanizmasına zamansal yorumlanabilirlik kazandırmaktadır.
Abstract
Cardiovascular diseases are the leading cause of mortality worldwide. In diagnosis, low-cost and non-invasive electrocardiography (ECG) is the primary tool. Since manual examination imposes a high workload on experts, numerous deep learning approaches have been proposed in the literature. In this study, the simultaneous classification of five disease classes (NORM, MI, STTC, CD, HYP) defined by SCP codes in the PTB-XL database was targeted. The proposed architecture consists of three components. In the first component, a second-order polynomial cross-feature transformation was applied to the variables of sex, age, height, and weight. The data were projected into a dmodel-dimensional space using a neural network with a GELU activation function. In the second component, 12-channel ECG recordings were decomposed into multi-scale representations through parallel convolution (1D-CNN), and temporal dependencies were modeled using xLSTM (mLSTM) layers. In the third component, predictions were generated using class-specific context vectors obtained by fusing clinical data as the “query” and ECG data as the “key/value” through cross-attention. In training, which prevented information leakage, the BCEWithLogitsLoss loss function compatible with multi label classification was used. The learning rate and AdamW weight decay were optimized through a 12-cell grid search, ablation studies were conducted, and the model was compared with ResNet and InceptionTime. The 0.9106 macro AUROC and 0.7151 macro F1 scores obtained within a 95% confidence interval across five independent seeds demonstrate the performance of the method. Heatmaps generated by overlaying attention weights onto the ECG signal provide temporal interpretability of the decision mechanism.