AI觀察丨重磅:樂普醫(yī)療人工智能團隊在國際聲學、語音與信號處理會...

近日，樂普醫(yī)療人工智能團隊在IEEE會議上發(fā)表了一篇人工智能心電圖分析論文《Arrhythmia Classification with Heartbeat-Aware Transformer》。論文基于Transformer模型架構(gòu)，通過引入心搏的注意力機制增強心搏之間的關(guān)聯(lián)性，來提高模型對心電圖心搏的識別能力，從而進一步提升樂普AI-ECG算法的準確性。論文還對該模型的推理機制進行了解釋，幫助理解人工智能心電圖算法的一些內(nèi)在邏輯?，F(xiàn)將英文論文摘譯如下：?模型的思路及結(jié)構(gòu)
Transformer模型是一個在自然語言處理領(lǐng)域應用廣泛的人工智能模型，本文借鑒語音翻譯的思路，在Transformer模型的基礎架構(gòu)之上，提出了心電圖心搏相關(guān)的注意力機制，構(gòu)造了一個新型的Transformer神經(jīng)網(wǎng)絡模型。利用這種在時間序列上的心搏注意力，增強心搏片段編碼和解碼之間的關(guān)聯(lián)度，通過模型去“翻譯”心電圖，對心電圖心搏類型進行識別和分類，從而幫助醫(yī)生更有效地診斷心臟疾病。
測試結(jié)果表明，該模型對心搏分類識別的精確率和敏感率較其他幾個自然語言處理相關(guān)的模型有明顯的提升。
新模型結(jié)構(gòu)如下：

訓練及測試數(shù)據(jù)集
模型使用了樂普公司近期收集的心電圖片段數(shù)據(jù)。訓練、驗證、測試數(shù)據(jù)集的分布如下：
?模型結(jié)果對比
下面的圖表數(shù)據(jù)是新模型和其他相關(guān)的人工智能模型在精確率、敏感率和F1分數(shù)上的測試對比結(jié)果。從總體上看，精確率、敏感率和F1 分數(shù)都比其他幾個模型有所提高，說明該模型在心搏分類識別上要比其他模型表現(xiàn)更出色。

模型解釋
下圖是ECG片段和模型熱力圖的關(guān)聯(lián)分析。熱力圖展示了不同時刻模型中特征最突出的心搏。每一列深顏色區(qū)域代表了模型在該時刻關(guān)注的心搏情況，顏色越深，說明模型對這個區(qū)域關(guān)注度更高，特征越明顯。
比如，圖中的ECG片段在第4秒位置出現(xiàn)了室性早搏（VC）。相應的，熱力圖中第4秒位置上的光柱顏色最深，說明模型此時的注意力集中在該VC心搏。這個結(jié)果也說明模型設計符合預期。?

問Transformer模型可解釋的意義

可解釋性是目前人工智能技術(shù)面臨的一個難題，也就是我們常說的“黑盒”問題。通常我們訓練了一個模型，卻很難解釋模型內(nèi)在的推理邏輯。樂普醫(yī)療的研究工作，一方面推進了心電圖人工智能的分析診斷能力，同時還嘗試探討模型的工作機理，這是人工智能技術(shù)在心電圖領(lǐng)域上的一個創(chuàng)新。

?

ICASSP會議簡介

ICASSP（英文全稱International Conference on Acoustics, Speech and Signal Processing）即國際聲學、語音與信號處理會議，是全世界最大的，也是最全面的信號處理及其應用方面的頂級會議。作為IEEE（電子技術(shù)與信息科學工程師協(xié)會）的一個重要會議，ICASSP除了有幾十年歷史外，其論文還經(jīng)常被三大檢索工具檢索。因此，ICASSP對于信號處理方面的學術(shù)人士有著重要意義。它涵蓋了音頻和聲學信號處理，圖像、視頻和多維信號處理，物聯(lián)網(wǎng)的信號處理等至少十六個方向。