可解释的Swin变换器结合临床限制的心电图（ECG）与生命体征融合技术，用于从真实世界的心电图图像中检测心血管疾病

《Scientific Reports》：Explainable Swin transformer with clinically constrained ECG–vital signs fusion for cardiovascular disease detection from real-world ECG images

　　

摘要

由于噪声、扫描伪影以及不同心脏状况之间的形态相似性较强，从真实世界的心电图（ECG）图像中检测心血管疾病仍然具有挑战性，尤其是在临床判断较为模糊的情况下，例如心肌梗死（MI）后的心电图表现。本文提出了一种可解释的两阶段模型：该模型采用经过微调的Swin Transformer，并结合了具有临床约束性的心电图与生命体征数据，以提高模型在资源匮乏的临床环境中的鲁棒性。所提出的方法能够在保持临床可解释性的同时学习具有区分性的心电图表示方式，具体通过显著性可视化技术和基于SHAP（Shapley Value Attribution）的特征归因实现这一点。此外，模型引入了受约束的信号处理机制，将生理生命体征纳入考量，从而降低因不确定性导致的错误分类风险，同时仍以心电图作为主要分析手段。由于该数据集缺乏真实配对的生命体征数据，因此融合阶段使用的生命体征信息是通过基于诊断条件的生理分布生成的合成数据，而非直接从患者身上测量的数据。因此，第二阶段的结果主要证明了模型的架构可行性，而非其在多模态临床应用中的有效性，需要通过真实数据集进行进一步验证。在巴基斯坦的心电图数据集上，该模型的分类可靠性得到了提升，并且在处理复杂边界案例方面优于现有的基于图像的分类方法。这项工作是一个概念验证，旨在为资源匮乏的南亚医疗环境中具有临床关键意义的多模态融合技术（尤其是结合心电图信息的技术）提供框架。