人工知能技術の急速な進展に伴い、医療分野のような専門領域ではモデルの解釈性が重要な課題となっている。心電図認識はその代表例であり、従来のエンドツーエンドの畳み込みニューラルネットワークは高い性能を示す一方で、判断過程の理解が難しい。これに対し、Wenting MaらによるICONIP 2024採択論文は、心電図学の事前知識を明示的に組み込んだ領域知識ベースの時間-空間グラフ畳み込みネットワークを提案している。
本手法の中心は、心電図信号の臨床的に意味のあるPRQSTキーランドマークを領域知識として利用する点にある。PRQSTはP波、QRS波群、T波などの主要な波形指標に対応し、心電図判読の基礎となる。モデルは生信号から直接特徴を抽出するのではなく、これらのキーランドマークをグラフのノードとして構成し、グラフ構造を通じて心電図情報を組織化する。
心電周期の内部と周期間の関係を同時に捉えるため、著者らは双流有向グラフ構造を設計した。空間有向グラフは同一心電周期内のキーポイント間の位置関係を表現し、波形の空間的形態を反映する。一方、時間有向グラフは長い心電シーケンスにおける隣接周期間の時間的依存関係を記述し、リズムの変化を捉える。この双流設計により、局所的な波形形態と全体的なリズムの両面からモデル化が可能となる。
実験には第1回中国心電図知的競争データセットを使用し、心電図を9カテゴリに分類する。結果として、本モデルは全体平均F1スコア88.1%、希少カテゴリの平均F1スコア76.3%を達成し、いずれも当時の最先端モデルを上回った。特に希少カテゴリの検出性能向上が顕著であり、領域知識の導入がデータ不均衡の課題を緩和し、少数クラスの認識能力を高めることを示唆している。
本研究の意義は、医療信号分析において性能と解釈性を両立させるアプローチを提示した点にある。領域知識をグラフ構造に埋め込むことで、モデルは完全なブラックボックスではなく、臨床的に理解可能なキーポイントに基づく推論が可能となる。論文はSpringer LNCS 15290に掲載され、2024年にニュージーランド・オークランドで開催されたICONIPで発表された。全文は10ページ、5図から構成されている。