Localizing Diagnostic Evidence in ECG Classification via Interpretable Multi-Instance Learning = 해석 가능한 다중 인스턴스 학습을 이용한 국소화 진단 근거 기반 심전도 분류 모델

다국어 초록 (Multilingual Abstract)

The electrocardiogram (ECG) serves as a fundamental non-invasive tool for diagnosing cardiovascular diseases, yet its analysis is inherently challenging due to noise and significant inter-patient variability. Deep learning has revolutionized automated electrocardiogram (ECG) diagnosis, but its black box nature impedes clinical adoption. Current interpretability solutions often rely on post-hoc methods that suffer from methodological inconsistency and limited reliability. To address this, we propose an intrinsically interpretable deep learning framework, leveraging a Multi-Instance Learning (MIL) approach. In contrast to conventional MIL approaches that define instances at the coarse heartbeat level, we introduce a fine-grained sub-beat level instance definition with a temporal resolution of 0.14 seconds. This granularity enables the precise localization of diagnostic evidence to specific morphological waveforms, such as the P-wave, QRS complex, and ST segment, which are essential for identifying subtle pathologies. To overcome the limitation of localized instances missing global context, the framework incorporates Rhythm Context Injection to explicitly capture beat-to-beat relationships, compensating for information loss inherent to constrained interpretable models by enriching each instance. We further integrate Anatomical Lead Grouping to structure the 12-leads signals into five anatomically relevant groups, preserving spatial information regarding pathology localization. Finally, a Two-Stage Hierarchical MIL mechanism is utilized, comprising Intra-Group Temporal Attention Pooling and Inter-Group Attention Pooling, to simultaneously localize critical temporal segments and significant lead groups. Experiments on the PTB-XL dataset achieve competitive classification performance while demonstrating more faithful interpretability. Visualization of diagnostic evidence confirmed that the interpretation maps accurately focus on local regions consistent with clinical criteria. Quantitative perturbation analysis demonstrated that the model relies on evidence that is quantitatively more aligned with its decision-making process compared to post-hoc baselines. In conclusion, this study presents a novel deep learning framework that maintains high classification accuracy while providing clinicians with reliable and granular visual evidence.

국문 초록 (Abstract)

심전도(ECG)는 심혈관 질환 진단을 위한 필수적인 비침습적 도구이나, 잡음과 환자 간의 상당한 변이로 인해 그 분석에는 본질적인 어려움이 따른다. 딥러닝은 자동화된 심전도(ECG) 진단에 혁신을 가져왔으나, 이러한 모델들이 가진 블랙박스 특성은 임상 현장 도입을 저해하는 요인이 되고 있다. 기존의 해석 가능성 접근법들은 대개 방법론적 비일관성과 제한된 신뢰성이라는 한계를 지닌 사후 분석 기법에 의존하는 경향이 있다. 이를 해결하기 위해 본 연구는 다중 인스턴스 학습(MIL)에 기반한 본질적으로 해석 가능한 딥러닝 프레임워크를 제안하며, 다중 라벨 ECG 분류를 목표로 한다. 기존 MIL 접근이 인스턴스를 거친 심박(heartbeat) 단위로 정의하는 것과 달리, 본 연구는 0.14초의 시간 해상도를 갖는 서브비트(subbeat) 수준의 세밀한 인스턴스 정의를 도입하였다. 이러한 세밀함은 미세한 병변 식별에 필수적인 P파, QRS 복합체, ST 분절과 같은 특정 형태학적 파형에 대한 진단 근거를 정밀하게 국소화할 수 있게 한다. 국소화된 인스턴스가 전역적 문맥을 놓칠 수 있다는 한계를 극복하기 위해, 본 프레임워크는 리듬 컨텍스트 주입(Rhythm Context Injection) 기법을 통합하였다. 이는 박동 간(beat-to-beat) 관계를 명시적으로 포착하여 각 인스턴스를 풍부하게 함으로써, 제한된 해석 가능 모델에서 발생할 수 있는 정보 손실을 보완한다. 더불어 해부학적 리드 그룹화(Anatomical Lead Grouping)를 적용해 12개 리드 신호를 해부학적으로 의미 있는 5개 그룹으로 구성함으로써, 병변 위치와 관련된 공간 정보를 보존한다. 마지막으로, 그룹 내 시간적 어텐션 풀링(Intra-Group Temporal Attention Pooling)과 그룹 간 어텐션 풀링(Inter-Group Attention Pooling)으로 구성된 2단계 계층적 다중 인스턴스 학습 메커니즘을 적용하여, 진단에 결정적인 시간 구간과 주요 리드 그룹을 동시에 국소화한다. PTB-XL 데이터셋 실험에서 제안 방법은 경쟁력 있는 분류 성능을 보이면서도 더 신뢰도 높은 해석 가능성을 제시했다. 진단 근거 시각화를 통해 해석 맵이 임상 기준과 일치하는 국소 영역에 정확히 집중함을 확인하였으며, 정량적 교란(perturbation) 분석 결과 본 모델이 사후 분석 베이스라인 모델들에 비해 의사결정 과정과 정량적으로 더 잘 부합하는 근거에 의존하고 있음을 보였다. 결론적으로, 본 연구는 높은 분류 정확도를 유지하면서도 임상의에게 신뢰할 수 있고 세밀한 시각적 근거를 제공하는 새로운 딥러닝 프레임워크를 제시한다.

목차 (Table of Contents)

• Abstract i
• Contents iii
• List of Tables v
• List of Figures vi
• 1 Introduction 1
• 2 Related Work 4
• 2.1 Knowledge-Driven Deep Learning Models for ECG 4
• 2.2 Approaches for Interpretable ECG Classification 5
• 2.3 Multi-Instance Learning 6
• 3 Methods 8
• 3.1 MILFormulation and Pooling Mechanism 8
• 3.1.1 Proposed Model Architecture 10
• 3.1.2 Rhythm Context Injection 10
• 3.1.3 Anatomical Lead Grouping 13
• 3.1.4 Two-Stage Hierarchical Attention Pooling 13
• 3.1.5 Objective Function 16
• 4 Experiments 17
• 4.1 Datasets and Experimental settings 17
• 4.1.1 Datasets 17
• 4.1.2 Evaluation Metrics 18
• 4.1.3 Implementation details 18
• 4.2 Results 20
• 4.2.1 Baseline models 20
• 4.2.2 Classification Results 21
• 4.2.3 Visualization of diagnostic evidence 22
• 4.2.4 Comparative Evaluation of Interpretability 24
• 4.2.5 Ablation Study 26
• 5 Conclusion 31
• Bibliography 32
• Abstract(InKorean) 41
• 감사의글 43