Loading...
Publication
Classificação de sinais de ECG com técnicas explicáveis de inteligência artificial
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 1.89 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
Cardiovascular diseases are among the main causes of premature mortality, with atrial flutter representing a clinically relevant arrhythmia due to its association with stroke and heart failure. The eletrocardiogram (ECG) is the most suitable diagnostic method for evaluating chardiac rhytms. Automatic ECG interpretations have attempted to improve clinical practice. However, the lack of interpretability of existing models has limited their acceptance.
This dissertation presents a framework for atrial flutter classification using raw 12- lead ECG signals from PTB-XL Database, Georgia 12-Lead ECG Challenge Database and Large 12-Lead ECG Database for Arrhythmia Study. A hybrid deep learning model combining Convolutional Neural Networks (CNN) and Long Short-Term Memory (LSTM) networks was developed and trained under a 10-fold cross-validation scheme. To ensure model transparency, explainable artificial intelligence (XAI) mehods were applied: Shapley Additive Explanations (SHAP) was used to quantify the contribution of each lead, and Local Interpretable Model-Agnostic Explanations (LIME) was employed to highlight the most informative temporal segments at the patient level.
The results demonstrate that the proposed approach achieves competitive performance while improving interpretability, thus contributing to more reliable and clinically meaningful applications of artificial intelligence in cardiology.
As doenças cardiovasculares estão entre as principais causas de mortalidade prematura, sendo o Flutter Auricular uma arritmia clinicamente relevante devido à sua associação com acidente vascular cerebral e insuficiência cardíaca. O eletrocardiograma (ECG) constitui uma ferramenta de diagnóstico fundamental, e os recentes avanços em aprendizagem profunda têm melhorado a classificação automática dos ritmos cardíacos. No entanto, a dificuldade de interpretação dos modelos existentes limita a sua aceitação na prática clínica. Na presente dissertação apresenta-se uma abordagem para a classificação do Flutter Auricular utilizando sinais brutos de ECG de 12 derivações, provenientes das bases de dados PTB-XL Database, Georgia 12-Lead ECG Challenge Database e Large 12-Lead ECG Database for Arrhythmia Study. Foi desenvolvido e treinado um modelo híbrido de aprendizagem profunda, que combina Redes Neuronais Convolucionais (CNN) e Redes Long Short-Term Memory (LSTM), recorrendo a um esquema de validação cruzada de 10 folds. Para garantir a transparência do modelo, foram aplicadas técnicas de inteligência artificial explicável (XAI): o Shapley Additive Explanations (SHAP) foi utilizado para quantificar a contribuição de cada derivação, e o Local Interpretable Model-Agnostic Explanations (LIME) foi aplicado para destacar os segmentos temporais mais informativos ao nível do paciente. Os resultados demonstram que a abordagem proposta apresenta um desempenho competitivo, ao mesmo tempo que melhora a interpretabilidade, contribuindo assim para aplicações de inteligência artificial mais fiáveis e clinicamente relevantes em cardiologia.
As doenças cardiovasculares estão entre as principais causas de mortalidade prematura, sendo o Flutter Auricular uma arritmia clinicamente relevante devido à sua associação com acidente vascular cerebral e insuficiência cardíaca. O eletrocardiograma (ECG) constitui uma ferramenta de diagnóstico fundamental, e os recentes avanços em aprendizagem profunda têm melhorado a classificação automática dos ritmos cardíacos. No entanto, a dificuldade de interpretação dos modelos existentes limita a sua aceitação na prática clínica. Na presente dissertação apresenta-se uma abordagem para a classificação do Flutter Auricular utilizando sinais brutos de ECG de 12 derivações, provenientes das bases de dados PTB-XL Database, Georgia 12-Lead ECG Challenge Database e Large 12-Lead ECG Database for Arrhythmia Study. Foi desenvolvido e treinado um modelo híbrido de aprendizagem profunda, que combina Redes Neuronais Convolucionais (CNN) e Redes Long Short-Term Memory (LSTM), recorrendo a um esquema de validação cruzada de 10 folds. Para garantir a transparência do modelo, foram aplicadas técnicas de inteligência artificial explicável (XAI): o Shapley Additive Explanations (SHAP) foi utilizado para quantificar a contribuição de cada derivação, e o Local Interpretable Model-Agnostic Explanations (LIME) foi aplicado para destacar os segmentos temporais mais informativos ao nível do paciente. Os resultados demonstram que a abordagem proposta apresenta um desempenho competitivo, ao mesmo tempo que melhora a interpretabilidade, contribuindo assim para aplicações de inteligência artificial mais fiáveis e clinicamente relevantes em cardiologia.
Description
Keywords
Eletrocardiogram (ECG) Atrial flutter (AFL) Deep learning (DL) Ex- plainable AI (XAI)