MINA : Attention guidée par la connaissance à plusieurs niveaux pour la modélisation des signaux d'électrocardiographie

Les signaux d'électrocardiographie (ECG) sont couramment utilisés pour diagnostiquer diverses anomalies cardiaques. Récemment, les modèles d'apprentissage profond ont montré un succès initial dans la modélisation des données ECG, mais ils sont en grande majorité des boîtes noires, ce qui leur fait manquer l'interprétabilité nécessaire à une utilisation clinique. Dans cette étude, nous proposons des réseaux d'attention guidés par la connaissance à plusieurs niveaux (MultIlevel kNowledge-guided Attention networks, MINA) qui permettent de prédire les maladies cardiaques à partir des signaux ECG avec une explication intuitive alignée sur les connaissances médicales. En extrayant séparément des caractéristiques de connaissance du domaine à plusieurs niveaux (battement, rythme et fréquence), MINA combine les connaissances médicales et les données ECG grâce à un modèle d'attention à plusieurs niveaux, rendant ainsi les modèles appris hautement interprétables. Nos expériences ont montré que MINA a atteint un PR-AUC de 0,9436 (dépassant le meilleur modèle de référence de 5,51 %) sur un ensemble de données ECG réelles. Enfin, MINA a également démontré une performance robuste et une forte interprétabilité face aux distorsions et contaminations par le bruit du signal.