跨域迁移学习策略增强深度学习模型解释方法(xAI)解释的可解释性

《Scientific Reports》：Cross-domain transfer learning strategy enhances interpretability of deep learning model explanations

　　

临床决策日益依赖深度神经网络(DNNs)，但其临床应用要求预测过程透明且可解释。可解释人工智能(explainable artificial intelligence, xAI)方法能识别与模型决策相关的输入区域，但其临床可解释性仍有限。本研究探讨归纳式迁移学习(inductive transfer learning, TL)是否能强化双分支卷积神经网络xECGArch（用于单导联心电图(electrocardiogram, ECG)检测心房颤动(atrial fibrillation, AF)）中域特异性特征分离——xECGArch各分支按其指定特征域进行预训练：短分支(short-term model, STM)预训练于P波检测任务（形态学域），长分支(long-term model, LTM)预训练于RR间期标准差(SDRR)预测任务（节律域），随后采用迭代层冻结策略在二分类AF检测任务上微调。对所有配置应用深度泰勒分解(deep Taylor decomposition, DTD)分析解释。微调准确率介于85.70%至95.23%，与原xECGArch架构及既往基于TL的方法相当。然而DTD分析表明：形态学预训练使相关性(relevance)指向P波区域，节律预训练使解释集中于R峰值；随冻结层数增加，域特异性增强。研究结果表明归纳式TL可促进DNN中域特异性特征归因，使事后(post-hoc)xAI解释与临床有意义的ECG区域更好对齐。

论文解读：跨域迁移学习策略增强深度学习模型解释方法(xAI)解释的可解释性

一、研究背景与目的

深度学习(DNN)在临床决策支持系统中应用广泛，但"黑盒"特性限制其临床信任度。可解释人工智能(xAI)可通过事后分析标识与分类相关的输入区域，但所得样本级相关性归因常缺乏明确因果解释，临床实用性不足。xECGArch是专为房颤(AF)检测设计的可信双分支一维卷积神经网络(CNN)，含短分支(STM, 感受野300采样点/0.6 s)学习形态学特征（P波/f波）与长分支(LTM, 感受野5000采样点/10 s)学习节律特征（RR间期变异），两分支经全局平均池化(GAP)融合并Softmax输出AF/非AF。原架构虽能自发分离部分特征，但存在特征纠缠——LTM可能受QRS形态干扰而非纯粹节律信息，STM可能受QT间期的节律嵌入信息干扰，导致xAI热图不能清晰对应临床心电诊断依据（心律异常看RR不规则、形态异常看P波消失/f波）。为此，研究人员提出用归纳式迁移学习(TL)强化双分支的域特异性：各分支在其目标特征域任务上预训练后再微调AF分类，并通过逐层冻结保留预训练习得表征，检验TL能否使DTD解释更贴合临床有意义ECG区域，即提升解释域特异性。

二、关键技术方法

研究人员构建三个公开数据库派生数据集：形态学数据集（MIT-BIH心律失常数据库MITDB、Lobachevsky大学ECG数据库、Brno理工大学ECG质量数据库BUT QDB，共2716条Ⅱ导联10 s ECG，含专家P波标注）用于P波检测二分类预训练；节律数据集（PTB-XL、Georgia-12-Lead、CPSC2018、Chapman-Shaoxing，共19047条Ⅱ导联10 s ECG，R峰检测后计算SDRR）用于SDRR回归预训练；xECGArch数据集（同节律库来源，9854条AF/非AF平衡标注，来自Goettling et al. 2024）。xECGArch双分支各含9个卷积块+BN+ReLU，LTM末端为2节点全连接(Softmax)，STM同理但感受野不同。预训练阶段：(1)节律任务—替换末端层为单节点线性输出，Huber损失+Adam优化SDRR回归；(2)形态学任务—去除GAP及输出层，添加第10个1×1卷积+sigmoid逐点P波概率，加权二分类交叉熵+Adam优化。产生四组预训练权重：R-LTM(Rhythm-LTM)、R-STM(Rhythm-STM, 交叉任务)、M-STM(Morphology-STM)、M-LTM(Morphology-LTM, 交叉任务)。微调阶段：载入预训练权重，在xECGArch数据集上做AF二分类微调，设置7种冻结配置（不冻结、冻结前3~8个卷积层），五折交叉验证网格搜索超参数。解释提取采用深度泰勒分解(DTD, max激活规则)，逐样本反向传播得到相对相关性(relative Relevance, rR)热图并归一化至[0,1]；借助迭代二维信号弯曲(i2DSW)标定QRS(P/Q/R/S/nQRS)及P波/f波/TQ区间(P/F/_FTQ/nF_TQ/nPnF)；用双因素ANOVA、Tukey-Kramer事后检验、线性混合效应模型(记录为随机截距)分析区间平均rR差异；定义域特异性比＝目标域区间均值rR/非目标域区间均值rR(R峰/nQRS或P+F/nPnF)，绘制F1–特异性比权衡散点。所有数据按受试者水平划分防泄露，微调测试集独立于预训练集。

三、研究结果

Network performance

节奏预训练R-LTM预测SDRR测试集MAE 22.92 ms（优于R-STM之41.60 ms）；形态预训练M-STM检测P波F1达86.42%（略优于M-LTM之84.37%）。微调后各模型最优测试准确率85.70%~95.23%：R-AF-LTM最高95.23%(3 fl)，M-AF-STM最高93.92%(无fl)，与原xECGArch(LTM 95.00%, STM 94.01%)持平或微幅波动；过度冻结(8 fl)致性能下降明显(最低约85.7%)。表明TL未损分类性能但冻结过多层有害。

Model explanations

DTD可视化显示预训练模型解释符合预期：R-LTM/R-STM聚焦QRS尤其是R峰，M-STM强聚焦P波而M-LTM部分仍偏R峰。微调后R-AF-LTM随冻结层数增加，解释从部分P/TQ区移向QRS并集中R峰（AF与非AF均如此）；R-AF-STM解释较混杂（QRS各段+P波区均有）。M-AF-STM随冻结层数增加，非AF渐聚焦P波、AF渐聚焦f波/TQ区f成分；M-AF-LTM形态专注度弱于M-AF-STM但仍随冻结增强P/f波归因。

Relation between model explanations and ECG intervals

量化分析证实：R-AF-LTM中R峰中位归一化rR从原始模型5.35升至8 fl配置13.12(+145%)，nQRS降56%，相邻冻结配置间差异显著(p<0.0001, |d|≥0.8)；R-AF-STM R峰rR未单调增且在3 fl最低(-73%)，无持续R峰专化。M-AF-STM非AF中P波rR最高增幅+128%(vs原始)，AF中f波TQ区稳定突出；多数配置转变显著(p<0.0001, 大效应量)。M-AF-LTM P波rR最大+50.42%但一致性较弱。混合效应模型确认上述区间与配置效应显著(p<0.0001)。

域特异性比：R-AF-LTM从原始7.43升至8 fl之40.39；M-AF-STM从3 fl之0.91升至8 fl之3.05；R-AF-STM(1.53~4.55)与M-AF-LTM(0.68~2.00)变化温和。中等冻结(如R-AF-LTM 4~5 fl, M-AF-STM 4 fl)提供性能与解释对齐较好折衷。等权集成最佳组合(R-AF-LTM 5 fl+M-AF-STM 4 fl)达准确率96.04%、F1 96.20%，超越原xECGArch集成(F1=95.43%)。

广义线性模型(GLM)显示RR间期变异系数(CV_RR)及其与标签交互项多为分类确信度显著预测因子(p<0.0001)，尤其R-AF-LTM全程显著，表明其决策依赖RR间距；过度冻结(8 fl) R-AF-LTM误分非AF比例升高(18.2%)，误分样本CV_RR偏高(0.506 vs正确0.229)，印证过度专化致泛化降。M-AF-STM随冻结增加CV_RR效应减弱，说明其更多依形态学线索。

四、讨论与结论

讨论指出房颤诊断本就分节律（RR不规则）与形态（P波消失/f波）两个域，xECGArch架构已反映此临床推理，但特征易混叠削弱xAI解释可信度。本研究通过域对齐预训练+迭代冻结TL策略主动强化域分离：主任务预训练(R-LTM→节律域, M-STM→形态域)再冻结可使微调后DTD解释分别专向R峰与P/f波区，交叉任务预训练未现同等效果，证明源任务选择关键。TL核心价值不在显著提升分类性能（因源目标任务异质——回归SDRR/点检测vs二分类AF——特征可迁移性有限），而在诱导网络关注临床相关ECG特征、减少特征纠缠从而提升事后解释之域特异性。需警惕DTD归因非网络因果特征使用直接证据，结论限于所用框架且未在独立多中心验证。该方法原则上可扩展至其他心血管病或生物信号模态。

综上，研究人员证明归纳式跨域迁移学习与分层冻结可强化双分支ECG-DNN中节律与形态特征的域特异性学习，使Deep Taylor Decomposition事后解释的相关性归因更好对齐临床有意义心电图区域（R-AF-LTM趋近R峰，M-AF-STM趋近P波/f波），在维持AF检测性能同时提升模型解释的临床可解释性，为面向临床决策支持的透明心血管AI提供了可行路径。论文发表于《Scientific Reports》。