xGNN4MI: wyjaśnialność sieci neuronowych grafowych w 12-odprowadzeniowej elektrokardiografii dla klasyfikacji chorób układu sercowo-naczyniowego

Dlaczego to ma znaczenie dla zdrowia serca

Zawały serca i inne choroby sercowo-naczyniowe wciąż pozostają głównymi przyczynami zgonów na świecie, a podstawowym badaniem służącym do wykrywania nieprawidłowości jest dobrze znana krzywa elektrokardiogramu, czyli EKG. Lekarze coraz częściej sięgają po sztuczną inteligencję, by wspomagać odczyt tych sygnałów, ale wiele narzędzi AI działa jak nieprzezroczysta „czarna skrzynka”, dając werdykt bez pokazania procesu rozumowania. W tej pracy przedstawiono nowe podejście nazwane xGNN4MI, które ma na celu zachowanie siły nowoczesnej AI przy jednoczesnym uczynieniu jej rozumowania widocznym i możliwym do weryfikacji przez klinicystów.

Od uderzeń serca do powiązanych sygnałów

EKG nie powstaje z jednego punktu widzenia: dwanaście odprowadzeń umieszczonych na klatce piersiowej i kończynach dostarcza nieco odmiennych perspektyw aktywności elektrycznej serca. Każde z nich jest wrażliwe na inną część mięśnia sercowego i ukrwienia. Autorzy przekształcili to wieloodprowadzeniowe nagranie w sieć, w której każdy węzeł reprezentuje jedno odprowadzenie, a połączenia odzwierciedlają, jak te sygnały odnoszą się do siebie w czasie. Dzieląc dziesięciosekundowe EKG na krótsze fragmenty i łącząc to samo odprowadzenie między fragmentami, budują strukturę oddającą zarówno lokalizację elektrod na ciele, jak i przebieg bicia serca krok po kroku. Taka sieć staje się wejściem dla grafowej sieci neuronowej — rodzaju AI zaprojektowanego do pracy na sieciach powiązanych danych zamiast prostych siatek czy list.

Nowy pipeline do odczytu i lokalizacji zawałów

Wykorzystując widok EKG jako sieci, zespół zaprojektował otwartoźródłowy pipeline nazwany xGNN4MI. Obejmuje on całą drogę od surowego sygnału do diagnozy: konstruowanie grafu EKG, trenowanie grafowej sieci neuronowej, a następnie wyjaśnianie, jak model dochodzi do swoich przewidywań. System przetestowano na dwóch wymagających zadaniach. Po pierwsze, miał klasyfikować EKG do pięciu szerokich grup diagnostycznych, takich jak rytm prawidłowy, zawał serca czy zaburzenia przewodzenia rytmu. Po drugie, miał pójść krok dalej i wskazać, gdzie w sercu nastąpił zawał, rozróżniając uszkodzenie przedniej ściany (anteroseptalne) od dolnej ściany (inferior) mięśnia sercowego. Model trenowano na dużym publicznym zbiorze EKG, a następnie sprawdzono jego uogólnienie na niezależnym badaniu populacyjnym.

Jak dobrze działa system

W zadaniu szerokiej klasyfikacji model osiągnął dokładność na poziomie około siedmiu na dziesięć EKG, przy szczególnie dobrej skuteczności w rozpoznawaniu zapisów prawidłowych i jednoznacznych zawałów. Niektóre kategorie o większej zmienności obrazu, takie jak przerost mięśnia sercowego czy zaburzenia przewodzenia, były trudniejsze do wyraźnego rozdzielenia, prawdopodobnie dlatego, że obejmują różne podstawowe problemy. W zadaniu dokładniejszego wskazania lokalizacji zawału wyniki były lepsze: system poprawnie rozróżniał główne podtypy zawału z ważonym wynikiem F1 bliskim 0,8 na głównym zbiorze danych i wykazał dobrą zdolność uogólniania na zewnętrznej kohorcie. Był szczególnie niezawodny w rozpoznawaniu klasycznych wzorców inferior i anteroseptalnych. Jednak trudniej radził sobie z identyfikacją rzeczywiście zdrowych serc w badaniu zewnętrznym — sygnał, że subtelne różnice między zbiorami danych, jak nieco dłuższe odstępy QRS (miara czasu aktywacji każdego uderzenia), mogą zmylić nawet dobrze wytrenowane modele.

Co „ogląda” AI

Główną obietnicą xGNN4MI jest to, że nie tylko podaje odpowiedź, ale także pokazuje, które części grafu EKG miały największe znaczenie. Autorzy użyli metody GNNExplainer, by uwidocznić najbardziej wpływowe odprowadzenia i połączenia dla każdej predykcji. Gdy model oznaczył EKG jako zawał anteroseptalny, najważniejsze węzły stanowiły odprowadzenia przedsercowe V1–V3, co zgadza się z podręcznikową wiedzą, że te odprowadzenia obserwują przednią ścianę serca. W przypadku zawałów dolnych model skupiał się na odprowadzeniach II, III i aVF, znów odzwierciedlając klasyczne kryteria. Co ciekawe, jedno z odprowadzeń kończynowych (aVR), często pomijane w rutynowym odczycie, w niektórych przypadkach inferior pojawiło się jako nietypowo istotne — zgodnie z nowszymi raportami klinicznymi łączącymi zmiany w tym odprowadzeniu z cięższymi powikłaniami. W zapisach prawidłowych znaczenie rozkładało się bardziej równomiernie między odprowadzeniami, co odpowiada brakowi pojedynczego uszkodzonego obszaru.

Ograniczenia i kierunki na przyszłość

Choć wyjaśnienia dobrze korelowały z ustaloną wiedzą kardiologiczną, uwydatniły też obecne ograniczenia. Metoda wyjaśnialności ma tendencję do skupiania się na klastrach powiązanych odprowadzeń i nie oddaje w pełni dalekich zależności czy drobnych różnic czasowych, które mogą być istotne klinicznie. Model pracuje też z pojedynczym dominującym etykietowaniem i nie odzwierciedla jeszcze mieszanki stanów, często występującej u rzeczywistych pacjentów. Autorzy sugerują, że prace przyszłe mogłyby wykorzystać bardziej zaawansowane narzędzia wyjaśniające lepiej obsługujące aspekt czasowy, wprowadzić diagnozy wieloetykietowe oraz dostosować strukturę grafu do konkretnych chorób serca. Niemniej jednak, poprzez otwarte udostępnienie kodu, dokumentację każdego wyboru projektowego i pokazanie, że model koncentruje się na klinicznie sensownych obszarach EKG, xGNN4MI stanowi konkretny krok w stronę narzędzi AI, którym lekarze mogą ufać i z których mogą korzystać.

Co to oznacza dla pacjentów i klinicystów

Mówiąc prosto, ta praca pokazuje, że możliwe jest zbudowanie asystenta AI do interpretacji EKG, który nie tylko wykrywa zawały i sugeruje miejsce ich wystąpienia, ale też wskazuje te same odprowadzenia, na których opierają się eksperci ludzie. Choć nie jest jeszcze gotowy, by zastąpić kardiologa, ramy te dowodzą, że potężna AI oparta na grafach może stać się bardziej przejrzysta i weryfikowalna względem wiedzy medycznej. Jeśli zostanie dalej dopracowana i zwalidowana, takie narzędzia mogą pomóc mniej doświadczonym lekarzom w zatłoczonych lub słabiej wyposażonych placówkach, szybko sygnalizując wysokiego ryzyka zawały i dostarczając jednocześnie wizualny ślad procesu decyzyjnego.

Cytowanie: Maurer, M.C., Hempel, P., Steinhaus, K.E. et al. xGNN4MI: explainability of graph neural networks in 12-lead electrocardiography for cardiovascular disease classification. npj Digit. Med. 9, 256 (2026). https://doi.org/10.1038/s41746-026-02367-1

Słowa kluczowe: sztuczna inteligencja w elektrokardiografii, grafowe sieci neuronowe, zawał mięśnia sercowego, wyjaśnialna sztuczna inteligencja, diagnostyka chorób sercowo-naczyniowych