説明可能なECG不整脈分類のための解釈可能なマルチスケールハイブリッドアテンションネットワーク(MSHAN)
An interpretable multi-scale hybrid attention network (MSHAN) for explainable ECG arrhythmia classification
医療分野におけるAIの普及は、AIモデルの透明性や信頼性の欠如が課題となっている。本研究では、この課題に対処するため、マルチスケール特徴抽出と階層的アテンションメカニズムを組み込んだ新しいアーキテクチャ「MSHAN(Multi-Scale Hybrid Attention Network)」を提案した。MSHANは、MIT-BIH不整脈データベースを用いた実験で、ECG不整脈検出において96.25%の全体精度を達成した。さらに、マクロ平均感度95.34%以上、マクロ平均精度95.01%以上、特異度98.36%以上を記録し、平均AUCは0.980であった。従来のResNet-1D(92.14%)や1D CNN(88.73%)と比較して優れた性能を示した。SHAPを用いた予測の可視化は、医師がモデルの予測を理解・検証するのに役立つことが示唆された。この研究成果は、他の時系列アプリケーションにおける解釈可能なシステムの設計にも応用可能である。
- マルチスケール特徴抽出と階層的アテンション機構を組み込んだ新アーキテクチャ「MSHAN」を提案し、ECG不整脈検出で全体精度96.25%を達成した。
- マクロ平均感度95.34%以上、マクロ平均精度95.01%以上、特異度98.36%以上、平均AUC 0.980を記録した。
- MIT-BIH不整脈データベースを用いた実験で、従来手法のResNet-1D(92.14%)や1D CNN(88.73%)を上回る性能を示した。
- SHAPを用いた予測の可視化により、医師がモデルの予測を理解・検証できる可能性が示され、医療AIの透明性・信頼性課題への対処を狙う。
医療AIの実用化で最大の障壁となる「説明可能性」に正面から取り組んだ研究。MIT-BIHで96.25%の精度、平均AUC 0.980はResNet-1D(92.14%)や1D CNN(88.73%)を明確に上回り、SHAPによる可視化で医師の検証を可能にする点が規制承認・臨床導入の観点で重要。心電図解析は着用デバイスや遠隔モニタリングと親和性が高く、こうした解釈可能なマルチスケール・アテンション設計はウェアラブル診断AIの競争軸になり得る。ただし現段階は単一データベースでの研究段階の成果であり、実際の収益化・薬事承認には多施設検証と臨床試験が必要となる点は留意したい。