儘管人工智慧在醫療領域取得了顯著進展，但模型的可解釋性仍然是一個挑戰，尤其是在心電圖識別等專業應用中。傳統的端到端卷積神經網路往往缺乏對特定領域知識的有效利用，導致模型難以解釋且效能受限。為解決這一問題，來自多所機構的研究人員提出了一種基於領域知識的時空圖卷積網路（Temporal-Spatial Graph Convolution Network），該方法將心電圖解讀中的關鍵PRQST地標點作為先驗知識，構建雙流有向圖來捕捉心電週期內和週期間的複雜關係。
具體而言，空間有向圖用於建模心電週期內關鍵點之間的位置關係，而時間有向圖則刻畫相鄰週期之間的時間依賴。這種結構使得模型能夠同時考慮心臟電訊號的區域性形態和全域性時序特徵。在首屆中國心電圖智慧競賽資料集上，該模型用於九分類任務，整體平均F1分數達到88.1%，其中罕見類別的平均F1分數為76.3%，兩項指標均超越了現有的最先進模型。實驗還表明，領域知識的引入顯著提升了罕見類別的檢測效能，這對於臨床中少見但重要的異常心律識別具有重要意義。
該研究已發表於ICONIP 2024會議，並收錄於Springer的LNCS系列。未來，該方法有望進一步整合更多臨床知識，提升心電圖自動診斷的可靠性和可解釋性。研究人員表示，該框架可推廣至其他生理訊號分析任務，為AI在醫療領域的可信應用提供新思路。