要約
心電図（ECG）信号は、様々な心臓異常を診断するために一般的に使用されています。最近、深層学習モデルが心電図データのモデリングで初期的成功を収めていますが、これらのモデルは主にブラックボックスであり、臨床使用に必要な解釈可能性が欠けています。本研究では、MultIlevel kNowledge-guided Attention networks（MINA）を提案します。MINAは、心電図信号から心疾患を予測し、医療知識と整合性のある直感的な説明を提供するネットワークです。ビートレベル、リズムレベル、周波数レベルの多段階ドメイン知識特徴を個別に抽出することで、MINAは多段階アテンションモデルを通じて医療知識と心電図データを組み合わせます。これにより、学習されたモデルは非常に高い解釈可能性を持つようになります。実験結果によると、MINAは実世界の心電図データセットにおいてPR-AUC 0.9436（最良のベースラインよりも5.51%優れています）を達成しました。さらに、MINAは信号の歪みやノイズ混入に対して堅牢な性能と強い解釈可能性を示しました。