Wyjaśnialna klasyfikacja sygnałów EKG z wykorzystaniem metod uczenia maszynowego i sieci neuronowych

Głównym celem pracy inżynierskiej jest projekt, implementacja oraz ewaluacja wyjaśnialnego systemu wspomagania decyzji klinicznych (CDSS) do zautomatyzowanej klasyfikacji 12-kanałowych sygnałów EKG. Mimo wysokiej skuteczności sztucznej inteligencji, natura „czarnej skrzynki” głębokich sieci neuronowych stanowi barierę przed ich wdrożeniem klinicznym. Aby rozwiązać ten problem, proces decyzyjny systemów zwalidowano za pomocą technik wyjaśnialnej sztucznej inteligencji (XAI): SHAP, Grad-CAM oraz Integrated Gradients (IG). W pracy przeprowadzono kompleksowe zestawienie klasycznych algorytmów uczenia maszynowego (ML) z architekturami głębokiego uczenia (DL), przetwarzającymi surowy sygnał czasowy. Ewaluacja na zbiorze PTB-XL wykazała wyższość głębokiej sieci rezydualnej (ResNet1D), która osiągnęła najwyższą zdolność diagnostyczną (F1-Macro = 0,7469). W badaniach udowodniono krytyczną rolę autorskiego algorytmu optymalizacji progów, który znacząco poprawił czułość detekcji klas mniejszościowych, takich jak zawał mięśnia sercowego. Analiza potwierdziła, że modele wyekstrahowały rzeczywistą wiedzę dziedzinową, a metoda IG pozwoliła na lokalizację kluczowych ekstremów sygnału z dokładnością do pojedynczej próbki. Wyniki wskazują, że zoptymalizowany model ResNet1D z modułem IG stanowi wiarygodne narzędzie do zautomatyzowanej interpretacji EKG.

Słowa kluczowe: Elektrokardiografia (EKG), Uczenie głębokie, Uczenie maszynowe, Wyjaśnialna Sztuczna Inteligencja (XAI), Systemy Wspomagania Decyzji Klinicznej.

The main objective of this engineering thesis is the design, implementation, and evaluation of an explainable Clinical Decision Support System (CDSS) for automated 12-lead ECG classification. Despite the high efficacy of artificial intelligence, the "black box" nature of deep neural networks remains a barrier to their clinical implementation. To address this issue, the decision-making process was validated using Explainable AI (XAI) techniques: SHAP, Grad-CAM, and Integrated Gradients (IG). The study provides a comprehensive comparison between classical Machine Learning (ML) algorithms and Deep Learning (DL) architectures processing raw temporal signals. Evaluation on the PTB-XL dataset demonstrated the superiority of the deep residual network (ResNet1D), which achieved the highest diagnostic capability (F1-Macro = 0.7469). The study highlights the critical role of a custom threshold optimization algorithm, which significantly improved the detection sensitivity of minority classes, such as myocardial infarction. The analysis confirmed that the models extract genuine medical knowledge, with the IG method pinpointing crucial signal extremes with sample-level precision. The results indicate that the optimized ResNet1D model with the IG module constitutes a trustworthy tool for automated ECG interpretation.

Keywords: Electrocardiography (ECG), Deep Learning, Machine Learning, Explainable AI (XAI), Clinical Decision Support System.