基于稀疏性约束的非负矩阵分解（NMF）分词方法在可解释性医学信号分类中的应用

《IEEE Signal Processing Letters》：Sparsity-Constrained NMF Tokenization for Interpretable Medical Signal Classification

部署深度学习在医疗健康领域常受限于“黑箱”特性。传统方法将生理频谱图分割为任意图像块，割裂模型输入与物理信号的联系。本文提出基于稀疏约束NMF原子的分类方法，通过KL散度NMF分解频谱图生成与生理事件相关的可解释特征，建立可验证的透明诊断框架。实验表明，该方法在PhysioNet 2016数据集（n=3,541）上获得诊断热图，Map Sparsity（0.74，中位数）和Spectral Concentration（0.65）显著优于Grad-CAM基线（p<0.001），尽管准确率（83.6%）较黑箱CNN（90.3%）存在统计学差异（p<0.01），但其结构化可解释特征为医疗诊断提供了生理学依据，促进可信医疗AI发展。

　　

摘要：

深度学习在医疗领域的应用常常受到标准模型“黑箱”特性的阻碍。传统方法将生理光谱图分割成任意的图像块，从而切断了模型输入与物理信号源之间的联系。在本文中，我们提出了一种分类方法，该方法使用受稀疏性约束的NMF原子作为可解释的特征，以实现透明的医学诊断。通过利用Kullback-Leibler散度NMF，我们将光谱图分解为具有物理意义的频率原子。在PhysioNet 2016数据集（n=3, 541）上的实验结果表明，我们的方法生成的诊断热图具有较高的映射稀疏度（0.74，中位数）和光谱集中度（0.65），显著优于Grad-CAM基线方法（p<0.001）。尽管与黑箱CNNs相比，在准确性上存在统计学上的显著差异（83.6% 对比 p<0.01），但我们的方法生成的特征在结构上是可解释的，并且与生理事件相对应，为可靠的医学诊断奠定了可验证的基础。为了便于重现性，我们的代码已公开发布。