Модальная, временная и событийная хрупкость мультимодальной модели искусственного интеллекта при анализе тревог желудочковой тахикардии
Боковая панель статьи
Основное содержимое статьи
Аннотация
Рассматривается задача проверки хрупкости мультимодальной модели анализа физиологических временных рядов при классификации истинных и ложных тревог желудочковой тахикардии. Проведена многоосевая оценка модели в полном режиме, при удалении ЭКГ, на трудных и конфликтных событиях, при временных сдвигах окна и в режимах калибровочного анализа. Показано, что высокая точность на полном тесте скрывает модальную и временную хрупкость, а отдельные стратегии дообучения дают только ограниченные эффекты. Внешняя проверка на PhysioNet/CinC Challenge 2015 подтверждает применимость протокола к независимому источнику ОРИТ-тревог.
Скачивания
Информация о статье
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Библиографические ссылки
VTaC: a benchmark dataset of ventricular tachycardia alarms from ICU monitors / L.-W. H. Lehman., B. Moody, H. Deep [et al.] // Advances in Neural Information Processing Systems. 2023. Vol. 36. P. 38827–38843. https://doi.org/10.52202/075280-1686.
VTaC: a benchmark dataset of ventricular tachycardia alarms from ICU monitors. Version 1.0.0 / L.-W. H. Lehman., B. Moody, H. Deep [et al.] // PhysioNet. 2024. https://doi.org/10.13026/z4f3-1f07.
The PhysioNet/Computing in Cardiology Challenge 2015: reducing false arrhythmia alarms in the ICU / G. D. Clifford, I. Silva, B. Moody [et al.] // Computing in Cardiology. 2015. Vol. 42. P. 273–276. https://doi.org/10.1109/cic.2015.7408639.
Fallet S., Yazdani S., Vesin J.-M. A multimodal approach to reduce false arrhythmia alarms in the intensive care unit // Computing in Cardiology. 2015. Vol. 42. P. 277–280. https://doi.org/10.1109/cic.2015.7408640.
Reducing false arrhythmia alarms in the ICU / S.-K. Teo, J. C. Wong, B. Yang B. [et al.] // Computing in Cardiology. 2015. Vol. 42. P. 1177–1180. https://doi.org/10.1109/cic.2015.7411126.
Reducing false arrhythmia alarms in the ICU using multimodal signals and robust QRS detection / N. Sadr, J. Huvanandana, D. T. Nguyen [et al.] // Physiological Measurement. 2016. Vol. 37, Iss. 8. P. 1340–1354. https://doi.org/10.1088/0967-3334/37/8/1340.
Mousavi S., Fotoohinasab A., Afghah F. Single-modal and multi-modal false arrhythmia alarm reduction using attention-based convolutional and recurrent neural networks // PLOS ONE. 2020. Vol. 15, Iss.1. P. e0226990. https://doi.org/10.1371/journal.pone.0226990.
Мультимодальная объяснимость для ОРИТ-сигналов (VTaC): метрические и асимптотические результаты / Ю. В. Трофимов, А. Н. Аверкин, Е. М. Кузнецов [и др.] // Вестник Тверского государственного университета. Серия: Прикладная математика. 2025. № 4. С. 43–80. https://doi.org/10.26456/vtpmk757.
ModDrop: adaptive multi-modal gesture recognition / N. Neverova, C. Wolf, G. W. Taylor, F. Nebout // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2016. Vol. 38, Iss. 8. P. 1692–1706. https://doi.org/10.1109/TPAMI.2015.2461544.
On calibration of modern neural networks / C. Guo, G. Pleiss, Y. Sun, K. Q. Weinberger // Proceedings of the 34th International Conference on Machine Learning. 2017. Vol. 70. P. 1321–1330.
Sundararajan M., Taly A., Yan Q. Axiomatic attribution for deep networks // Proceedings of the 34th International Conference on Machine Learning. 2017. Vol. 70. P. 3319–3328.
Sanity checks for saliency maps / J. Adebayo, J. Gilmer, M. Muelly [et al.] // Advances in Neural Information Processing Systems. 2018. Vol. 32. P. 9525–9536.
A benchmark for interpretability methods in deep neural networks / S. Hooker, D. Erhan, P.-J. Kindermans, B. Kim // Advances in Neural Information Processing Systems. 2019. Vol. 32. P. 9737–9748.
Jain S., Wallace B. C. Attention is not Explanation // Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics. 2019. P. 3543–3556. https://doi.org/10.18653/v1/n19-1357.
Wiegreffe S., Pinter Y. Attention is not not Explanation // Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing. 2019. P. 11–20. https://doi.org/10.18653/v1/D19-1002.
Self-supervised learning from images with a joint-embedding predictive architecture / M. Assran, Q. Duval, I. Misra [et al.] // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2023. P. 15619–15629. https://doi.org/10.1109/cvpr52729.2023.01499.
Revisiting feature prediction for learning visual representations from video / A. Bardes, Q. Garrido, J. Ponce J. [et al.] // arXiv : [electronic archive]. arXiv:2404.08471. https://doi.org/10.48550/arXiv.2404.08471. Submitted on 15 Feb 2024.
TS2Vec: towards universal representation of time series / Z. Yue, Y. Wang, J. Duan. [et al.] // Proceedings of the AAAI Conference on Artificial Intelligence. 2022. Vol. 36, Iss. 8. P. 8980–8987. https://doi.org/10.1609/aaai.v36i8.20881.