基于领域知识的时空图卷积网络用于心电图识别
本文提出一种基于领域知识的图卷积网络方法，通过引入PRQST关键点作为领域知识，并利用双流有向图建模心电周期内和周期间的复杂关系。在首届中国心电图智能竞赛数据集上，该方法整体平均F1分数达88.1%，罕见类别平均F1分数为76.3%，均优于现有最先进模型。
来源arXiv Machine Learning作者: Wenting Ma, Zhipeng Zhang, Xiaohang Yuan, Ningwei Xie, Yuxin Xie, Xiaolin Wang, Meng Guo, Xingang Chai, Zhenjie Yao
尽管人工智能在医疗领域取得了显著进展，但模型的可解释性仍然是一个挑战，尤其是在心电图识别等专业应用中。传统的端到端卷积神经网络往往缺乏对特定领域知识的有效利用，导致模型难以解释且性能受限。为解决这一问题，来自多所机构的研究人员提出了一种基于领域知识的时空图卷积网络（Temporal-Spatial Graph Convolution Network），该方法将心电图解读中的关键PRQST地标点作为先验知识，构建双流有向图来捕捉心电周期内和周期间的复杂关系。
具体而言，空间有向图用于建模心电周期内关键点之间的位置关系，而时间有向图则刻画相邻周期之间的时间依赖。这种结构使得模型能够同时考虑心脏电信号的局部形态和全局时序特征。在首届中国心电图智能竞赛数据集上，该模型用于九分类任务，整体平均F1分数达到88.1%，其中罕见类别的平均F1分数为76.3%，两项指标均超越了现有的最先进模型。实验还表明，领域知识的引入显著提升了罕见类别的检测性能，这对于临床中少见但重要的异常心律识别具有重要意义。
该研究已发表于ICONIP 2024会议，并收录于Springer的LNCS系列。未来，该方法有望进一步集成更多临床知识，提升心电图自动诊断的可靠性和可解释性。研究人员表示，该框架可推广至其他生理信号分析任务，为AI在医疗领域的可信应用提供新思路。