Исследователи Университета Иннополис, Санкт-Петербургского государственного электротехнического университета «ЛЭТИ» и вузов Индии разработали новую нейросетевую архитектуру для классификации аритмии по электрокардиограммам. Об этом «Первому техническому» сообщили в пресс-службе Иннополиса.

По данным пресс-службы, ИИ-модель достигла точности 97,8% и позволяет врачам видеть, на основании каких участков сигнала искусственный интеллект принимает решение. Разработка решает проблему «чёрного ящика»: большинство существующих систем классифицируют нарушения ритма автоматически, но врач видит диагноз и не понимает, почему модель приняла такое решение.
Как работает модель
Новая архитектура использует два механизма многоголового внимания, которые работают одновременно в пространственном и временном измерениях ЭКГ-сигнала. Первый механизм выделяет, какие участки сигнала — например, P-волна, QRS-комплекс или T-волна — наиболее важны для диагностики. Второй определяет, на каких временных интервалах модель фокусируется при классификации.
Ключевое преимущество — встроенная объяснимость: модель генерирует тепловые карты внимания, которые визуально показывают, какие фрагменты ЭКГ повлияли на решение ИИ. Например, при классификации нормального ритма модель фокусируется на QRS-комплексе — том же ориентире, который использует опытный кардиолог.
Ведущий программист-математик Исследовательского центра в сфере ИИ Университета Иннополис Дмитрий Каплун отметил, что ИИ-решение прозрачное: тепловые карты позволяют врачу проверить логику модели, убедиться, что она ориентируется на клинически значимые участки ЭКГ, и принять обоснованное решение. По его словам, это снижает риск диагностических ошибок, повышает доверие к ИИ-инструментам и ускоряет анализ — вместо часов ручной работы система выдаёт результат за секунды.
Как проверяли
Модель прошла проверку на одном из авторитетных открытых наборов ЭКГ-данных, состоящем из 48 получасовых записей от 47 пациентов. Исследователи провели серию экспериментов с разным объёмом обучающих данных — от 10% до 90% — и показали, что новая модель сохраняет стабильную производительность даже при ограниченном количестве размеченных примеров. При сравнении с ранее разработанными архитектурами она показала наилучший результат — 97,8% точности. Улучшения статистически подтвердили тесты Фридмана и Уилкоксона.