《Applied Sciences》：A Neuro-Fuzzy Digital Twin for Interpretable Cardiac Disease Recognition
编辑推荐：
研究人员提出了一种用于心脏病识别的神经模糊数字孪生模型，该模型在PTB-XL数据集上保持了强卷积模型的准确性，同时将其推理过程暴露为可读的模糊规则。关键设计选择是将这两项工作分离，而不是强迫一个网络同时完成两者。首先训练一个带有跨导联注意力机制的卷积主干网络，
研究人员提出了一种用于心脏病识别的神经模糊数字孪生模型，该模型在PTB-XL数据集上保持了强卷积模型的准确性，同时将其推理过程暴露为可读的模糊规则。关键设计选择是将这两项工作分离，而不是强迫一个网络同时完成两者。首先训练一个带有跨导联注意力机制的卷积主干网络，并将其作为预测器。随后第二阶段冻结主干网络，并训练一个由五个区间二型自适应神经模糊推理系统专家组成的混合模型作为解释层，通过一个可学习的信任门连接。四个专家读取互补的信号流（原始十二导联波形、傅里叶-贝塞尔级数展开、可调Q因子小波变换和形态图），第五个专家读取二十二个临床和人口统计学描述符。概念瓶颈将主干网络嵌入映射到八个命名的临床概念（ST段抬高、T波倒置、QT间期延长、Sokolov-Lyon和Cornell电压、右心室肥大(RVH)、电轴偏移和QRS波增宽），以便下游规则以临床语言阅读。两个遗传算法阶段保持模型紧凑：NSGA-II选择临床特征，多目标规则修剪搜索在宏观F1分数和肥大召回率与活动规则数量之间进行权衡。在官方测试折叠上，该孪生模型达到了0.751的宏观F1分数（自举95%置信区间0.740至0.767），0.928的宏观AUC，0.672的马修斯相关系数和0.021的宏观预期校准误差，高于Strodthoff的基准xresnet1d101（0.74），且远低于早期耦合设计的校准误差。由于模糊层作为信任门控残差附加，并且最佳模型时期是在阈值优化验证F1分数上选择的，因此可解释的孪生模型在宏观F1分数上与主干网络仅相差约0.004（孪生模型0.751对比主干网络0.754），而没有支付通常的可解释性代价。单独的模糊混合模型仍然达到了0.69的宏观F1分数，因此这些规则携带了真实的诊断信号。在不同性别、年龄和体重指数组别中，子组宏观F1分数保持在约0.045的范围内。概念级干预模拟器通过扰动命名的临床概念并重新运行相同的孪生模型，来估计心脏活性药物类别将如何改变患者的风险。
心血管疾病是全球主要死因，但诊断面临困难：病因复杂重叠且常规心电图(ECG)阅读依赖操作者经验。深度学习虽提升了自动化分诊性能，但在应用于临床时存在三大问题：一是模型不透明，决策逻辑难以被医生审计；二是系统多为纯分类器，无法预测患者轨迹或评估药物影响；三是许多被称为数字孪生(DT)的系统实际上仅是数字影印，缺乏干预和前瞻模拟的闭环能力。为此，研究人员提出了一种神经模糊数字孪生模型，旨在保持高分类准确率的同时提供具有可读性的临床规则，并实现干预模拟与轨迹预测。研究表明，该模型在准确性与可解释性之间取得了平衡，对临床决策支持具有重要意义，论文发表在《Applied Sciences》。
该研究基于公开临床心电图数据集PTB-XL（包含21,799条采样率为500 Hz的十秒十二导联记录，来源于单一临床中心）。在方法上，研究人员采用了双阶段解耦训练：第一阶段训练xresnet1d101卷积主干网络及线性诊断头；第二阶段冻结主干网络，训练概念瓶颈、五个区间二型ANFIS专家、信任门等解释组件。研究通过集成结构保持模型紧凑，包括使用NSGA-II选择临床特征与多目标规则搜索机制。在评估阶段，模型使用了五颗随机种子的集成测试并进行了三步校准（逐类温度缩放、逐类仿射校正和逐类等渗回归）。
在分类性能方面，通过PTB-XL测试折叠评估，该孪生模型达到了0.751的宏观F1分数和0.928的宏观AUC，超越了基准模型。对于形态最微弱的罕见HYP（肥大）类别，其F1分数达到了0.643，为研究中取得的最高值。
在无准确性损失的可解释性方面，由于采用解耦设计并将模糊层作为残差附加，附加解释机制的孪生模型与主干的F1分数差距极小（0.001至0.004）。同时，独立模糊混合模型也达到了0.69的F1分数，证明其携带真实诊断信号，最终平均每成员导出约40条活动IF-THEN规则。
在模块消融分析中，研究人员针对解释层组件进行了移除实验。结果表明，准确度主要由主干网络承担，移除单个解释模块仅引起极微小的F1分数变化。各个模块主要保障了模型的可解释性、临床规则可读性与规则集紧凑性。
在模型校准方面，研究采用三步校准机制，成功将宏观预期校准误差从早期的0.15大幅降至0.021。各类别的可靠性图贴近对角线，表现出极高精度的概率校准效果，仅在极高分数处存在轻微过度自信。
在子组公平性方面，研究根据性别、年龄和身体质量指数(BMI)对测试集进行了分组评估。结果显示，人口统计学差异与机会平等差异指标均极低，子组宏观F1分数波动未超过0.045，证明模型在各人群组别中保持了一致的性能。
在特征归因与规则解释中，模型通过数值解释机制将隐含层特征转化为八种临床概念。生成的临床规则采用熟悉的医学表达形式，基于数值归因与原型匹配技术，研究人员还识别了包括QRS波时间与QTc间期在内的重要临床特征贡献度，并提供基于案例的原型解释辅助。
在药物干预模拟研究中，该模型基于药理学机制扰动临床概念并重推诊断。仿真结果符合预期方向：降低左心室肥大电压概念可降低HYP风险并提高NORM概率；提高QT间期概念增加STTC风险；阻断剂可降低缺血风险。当无干预时影响为零。
在轨迹预测研究中，利用PTB-XL多次随访的子集数据，训练了时间感知的Transformer模块。实验结果表明，在预测约294次随访序列状态的测试中，模型达到了0.764的宏观AUC与0.481的宏观F1分数，成功完成了区分数字孪生与数字影印的前瞻预测闭环。
在讨论部分，研究人员总结了研究成绩并梳理了当前局限。当前得出主要结论认为，解耦框架保障了解释功能几乎不损失准确率，概念瓶颈修正了模糊规则的临床可读性，干预模拟与轨迹预测增加了系统的前瞻能力。然而，研究数据仅来自单一中心，领域泛化能力需要基于外部数据的进一步评估；轨迹预测是一代单次预测模型，规则框架 bordel 需完善药物治疗预测并扩展至个体化进行治疗干预相移，而非群体均值估计。整体模型流程方案有助于标准化临床决策支持部署。
