### 中文标题 面向资源受限医疗环境的离线优先实时可解释人工智能框架Edge-XAI用于12导联心电图诊断研究

《Internet of Things》：Edge-XAI: An Offline-First Real-Time Explainable AI Framework for 12-Lead ECG Diagnosis in Resource-Constrained Healthcare Environments

　　

心血管疾病，尤其是急性心肌梗死（acute myocardial infarction, AMI），仍然是全球发病和死亡的主要原因。及时准确地诊断AMI对于减轻其影响至关重要；然而，资源受限的环境——例如农村地区和救护车服务——为实施有效的诊断技术带来了重大挑战。为应对这些挑战，研究人员引入了一种面向农村医疗环境中12导联心电图（electrocardiogram, ECG）分析的离线优先、实时边缘可解释人工智能（Edge Explainable AI, Edge-XAI）系统。该系统针对计算资源有限和互联网连接不稳定的环境进行了专门优化，能够实现即时诊断决策。此外，研究人员提出了一种新颖的可解释人工智能框架，支持实时Shapley值估计，从而增强诊断模型的可解释性。这种集成方法不仅推动了轻量级、准确的ECG分类在资源受限场景中的部署，也促进了人工智能驱动决策的透明度。

### 论文解读

**一、研究背景与问题**

心血管疾病（cardiovascular disease, CVD）是全球范围内导致死亡的首要非传染性疾病，2019年约占全球总死亡人数的32%。急性心肌梗死（acute myocardial infarction, AMI）作为CVD最严重的表现形式之一，每年在台湾导致约2万人死亡，其中约1000至2000例即使经过紧急医疗干预仍未能幸免；美国每年报告的AMI病例近300万例，死亡人数超过100万。全球人口老龄化进一步加重了医疗系统的负担。人工智能（artificial intelligence, AI）、可穿戴设备及可解释诊断技术的发展为改善心血管诊疗提供了新的可能，但现有深度学习模型通常依赖高性能计算硬件或稳定的云连接，这与农村诊所、救护车等资源受限、网络连接不稳定的实际部署环境存在根本性矛盾。此外，主流可解释人工智能（Explainable AI, XAI）技术，尤其是基于Shapley值估计的方法（如SHAP），需要大量重复模型推理才能计算特征归因，计算开销巨大，难以在低功耗边缘设备上实现预测与解释的实时同步执行。因此，如何在保证诊断准确性的同时，实现高效推理与实时可解释输出，成为边缘医疗AI系统面临的核心挑战。

**二、研究目标与约束条件**

研究人员正式建立了联合优化问题，目标是最大化预测性能P(f_θ)与最小化计算成本C(f_θ,g_?)之间的权衡，并满足三项硬约束：预测与解释总延迟不超过1秒（T_pred(x)+T_exp(x)≤1s）；系统可并发处理的患者请求数不超过上限（N_conc≤N_conc^max）；整体内存占用不超过边缘设备容量（M_usage≤M_edge）。该问题刻画了高预测精度、高效推理、临床可解释性三个维度同时满足的技术难点。

**三、关键技术与方法**

本研究提出的Edge-XAI框架包含两条技术主线。

**（1）轻量级分类模型LMS-TCN：** 研究人员提出了一种轻量级多尺度时间卷积网络（Lightweight Multi-scaled Temporal Convolution Network, LMS-TCN），采用三条并行卷积分支，卷积核大小分别为k=3、11、19，以同时捕捉细粒度形态细节、中程波形特征和长程节律依赖；使用深度可分离卷积替代标准卷积以严格限制模型体积；特征融合后引入Squeeze-and-Excitation注意力机制动态重标定通道响应。最终模型仅需133,641个参数，体积0.61 MB。

**（2）实时解释模块Fast-GradientSHAP：** 研究人员提出了一种将FastSHAP的摊销策略与GradientExplainer的梯度归因相结合的算法。其核心思想是：利用GradientExplainer在训练集上预计算梯度Shapley值作为教师信号；将已训练分类模型的特征提取器f_body冻结复用，仅在顶部附加一个轻量级解释头f_shap，通过单次前向传播直接输出归因向量；采用包含均方误差损失L_MSE、方向铰链损失L_Hinge和稀疏性正则项Φ_aux的复合损失函数进行训练。

**四、研究结果**

**（1）模型选择（9折交叉验证）：** 在CPSC2018公开数据集（训练集6,877条12导联ECG记录，9个类别）上，LMS-TCN取得了最优综合表现：平均测试F1分数80.52%、平均测试平衡准确率88.27%，相比次优模型Res-ConvGRU（F1 68.14%、平衡准确率85.22%）分别提升12.38和3.05个百分点；其最优折F1为82.21%。其他对比模型（ResNet18/34、CGINet、MLBF-Net、SGBNet、ECGTransForm）在预测性能或计算效率上均达不到部署要求。在边缘设备Raspberry Pi 5上，LMS-TCN延迟为947.76 ms，模型体积仅0.61 MB。端到端API压力测试显示，在10个并发请求下100%完成，延迟297.85 ms；10,000个极端并发下仍能处理3,123个请求，优于对比模型。

**（2）解释模块量化评估：** Fast-GradientSHAP与教师模型GradientExplainer之间的均方误差（Mean Squared Error, MSE）为2.07×10^-7，平均绝对误差（Mean Absolute Error, MAE）为1.66×10^-4，余弦相似度达0.9567，而内存占用仅为167.67 MB，相比GradientExplainer的20,635.2 MB降低超过99%。集成解释模块后，LMS-TCN在10并发请求下端到端延迟从297.85 ms增至603.95 ms，但仍满足实时性要求。

**（3）临床定性评估：** 一位有经验的心内科医师对PVC、LBBB、RBBB三类典型病例的归因图进行审查，发现Fast-GradientSHAP与GradientExplainer在事件定位上具有一致性——如PVC病例中的形态异常心搏、LBBB病例中侧壁胸前导联（I、aVL、V5、V6）的QRS区域、RBBB病例中右胸导联（V1-V2）的QRS区域——这些区域与既定心电图诊断标准相符，表明解释具有临床参考价值，但尚不能证明对个别形态学细节的精确识别。

**五、讨论与结论总结**

讨论部分指出研究存在三方面局限性：第一，交叉验证结果主要依赖各折平均分数，未提供置信区间和显著性检验，对少数类别（如PAC和STE）而言，单次比较对数据划分方式敏感；第二，超参数搜索范围有意受限，报告结果应视为各架构在共享训练预算下的代表性运行点而非最优上界；第三，Fast-GradientSHAP的教师信号来自GradientExplainer，其本身是基于梯度的近似归因而非精确Shapley值，因此学生模型与教师模型之间的一致性不能等同于与真实Shapley值的一致性，梯度饱和等参考归因方法的潜在偏差也可能被继承。

研究结论表明：研究人员提出的Edge-XAI框架成功地在资源受限环境中实现了同时满足预测准确率、推理效率和临床可解释性的12导联ECG诊断系统。LMS-TCN以0.61 MB的超轻量体积和133,641参数取得了平均F1 80.52%的领先性能；Fast-GradientSHAP通过摊销估计将Shapley值计算开销降至适合边缘部署的水平，同时保持了与梯度参考解释器的高度一致性。该系统证明了在低算力、弱网络环境下实现实时可解释AI辅助诊断的可行性，但尚需更多样化的多中心数据集、更强的统计验证及独立的归因有效性验证，方能支撑临床级别的应用结论。