심전도 신호-이미지 교차 모델 개념 학습을 통한 설명 가능성 향상 = Cross-modal Concept Transfer from ECG Signals to Images for Explainable Disease Prediction

국문 초록 (Abstract)

심전도 (Electrocardiogram, ECG)는 여러 장점으로 임상 전반에서 널리 활용되고 있으며, 최근에는 심전도 기반 인공지능 연구도 빠르게 확산되고 있다. 그러나 최신 인공지능 모델들은 우수한 성능과 높은 일반화 능력은 보유하고 있으나, 예측 결과의 임상적 근거를 명확히 제시하지 못하여 신뢰성과 설명 가능성 측면에서 한계를 지닌다. 본 연구에서는 이러한 문제를 해결하기 위해 Cross-Modal Concept Transfer (CMCT) 방법을 제안한다. CMCT는 이미지 기반 형태학적 특징과 신호 기반 생리학적 개념을 연계하는 새로운 학습 프레임워크로 이미지 모델이 임상적으로 의미 있는 생리학적 개념 정보를 학습 과정에 직접 반영하도록 설계되었다. 실험 결과 제안한 방법이 기존 이미지 모델 및 최신 심전도 특화 모델과 비교해 유사하거나 더 우수한 분류 성능을 보였으며, 시각적 설명에 더해 생리학적 개념에 대한 정성적, 정량적 근거를 동시에 제공함으로써 더욱 높은 수준의 설명 가능성을 확보하였다.

다국어 초록 (Multilingual Abstract)

Electrocardiograms (ECGs) are widely used across clinical fields due to their numerous advantages, and research on ECG-based artificial intelligence has been rapidly expanding in recent years. Although state-of-the-art deep learning models demonstrate excellent performance and strong generalization capability, they fail to clearly present the clinical rationale behind their predictions, limiting their reliability and explainability. To address these challenges, this study proposes the Cross-Modal Concept Transfer (CMCT) method. CMCT explicitly links image-based morphological features with signal-based physiological concepts, enabling image models to directly incorporate clinically meaningful physiological information into the learning process. Experimental results show that the proposed method achieves comparable or superior classification performance compared to conventional image-based models and state-of-the-art ECG-specialized models. Furthermore, beyond visual explanations, CMCT provides both qualitative and quantitative evidence grounded in physiological concepts, thereby achieving a higher level of interpretability and clinical explainability

목차 (Table of Contents)

• 1. 서론 1
• 2. 배경 4
• 2.1. 심전도 4
• 2.2. 심전도 분야 최신 AI 연구 6
• 3. 관련 연구 7
• 3.1. 심전도 분야 XAI 연구 7
• 3.2. Concept Bottleneck Models 8
• 4. 제안 방법 9
• 4.1. 전체 구조 9
• 4.2. ECG-Image-Kit 10
• 4.3. ECG Concept Extractor 11
• 4.3.1. Peak-Related Concept 12
• 4.3.2. HRV-Related Concept 12
• 4.4. Cross-Modal Concept Transfer 13
• 4.4.1. Concept Training 13
• 4.4.2. Task Training 15
• 4.5. Loss Function 16
• 5. 실험 18
• 5.1. 데이터 18
• 5.1.1. 벤치마크 데이터셋 18
• 5.1.2. 레이블 전처리 19
• 5.1.3. 이미지 전처리 20
• 5.2. 실험 설정 20
• 5.3. 평가 방법 22
• 6. 결과 23
• 6.1. 이미지 모델 간 성능 비교 23
• 6.2. 설명 가능성 분석 24
• 6.2.1. 개념 기반 정성적 설명 25
• 6.2.2. 개념 기반 정량적 설명 27
• 6.2.3. 이미지 기반 정성적 설명 29
• 6.3. 개념 단위 예측 변화 분석 31
• 6.4. 이미지 인코더 변경에 따른 확장성 분석 33
• 6.5. 심전도 분야 최신 모델과의 성능 비교 34
• 7. 결론 35
• 참고문헌 37
• 부록 42