Predicción de riesgo cardiovascular explicable mediante Deep Learning

Abstract

Las enfermedades cardiovasculares son una de las principales causas de muerte según la OMS. Para combatir esto, una de las mejores herramientas diagnósticas son los electrocardiogramas (ECGs). Recientemente se han desarrollado algunos modelos Deep Learning que permiten clasificar de manera bastante eficiente los ECGs, pero los médicos se han mostrado reacios a utilizarlos debido a que estos modelos no suelen ser explicables. En este trabajo se modifica uno de los modelos más conocidos en el la literatura (Ribeiro et al., 2020) para la predicción y clasificación de anomalías cardíacas a partir de señales de ECGs, integrando técnicas de explicabilidad que permiten justificar las decisiones del modelo. Utilizando la base de datos pública PTB-XL, se implementaron transformaciones de señal, como la Transformada de Fourier de Tiempo Reducido (STFT) y la Transformada de Onda Continua (CWT), con el objetivo de extraer características de tiempo y frecuencia para mejorar las predicciones. Los resultados obtenidos indican que el modelo base, logra un desempeño destacado en la clasificación multietiqueta de anomalías cardíacas. Sin embargo, las transformaciones de señal presentan limitaciones cuando se utilizan con esta arquitectura. Para abordar la necesidad de transparencia en el ámbito médico, se emplearon saliency maps, validados por expertos médicos, quienes destacaron su potencial educativo y clínico, señalando áreas de mejora para futuras aplicaciones. El estudio concluye que la combinación de técnicas de Deep Learning y métodos de explicabilidad puede contribuir significativamente a la adopción de herramientas de IA en entornos médicos, optimizando el diagnóstico temprano y apoyando la formación de profesionales de la salud.

Cardiovascular diseases are one of the leading causes of death according to the WHO. The electrocardiogram (ECG) is one of the most effective diagnostic tools to address this issue. Recently, some Deep Learning models have been developed to eficiently classify ECG's, but medical professionals have been reluctant to adopt them due to the lack of explainability in these models. In this study, one of the most well-known models in the literature (Ribeiro et al., 2020) for predicting and classifying cardiac anomalies from electrocardiogram (ECG) signals is modified by integrating explainability techniques to justify the model's decisions. Using the publicly available PTB-XL database, signal transformations such as the Short-Time Fourier Transform (STFT) and Continuous Wavelet Transform (CWT) were implemented to extract time and frequency features with the goal of improving predictions. The results indicate that the base model achieves outstanding performance in the multi-label classification of cardiac anomalies. However, signal transformations demonstrate limitations when used with this architecture. To address the need for transparency in the medical field, saliency maps were employed and validated by medical experts, who highlighted their educational and clinical potential while identifying areas for improvement in future applications. The study concludes that the combination of Deep Learning techniques and explainability methods can significantly contribute to the adoption of AI tools in medical settings, enhancing early diagnosis and supporting the education of healthcare professionals.