xGNN4MI: объяснимость графовых нейронных сетей в 12‑канальной электрокардиографии для классификации сердечно‑сосудистых заболеваний

Почему это важно для здоровья сердца

Инфаркты и другие заболевания сердца остаются ведущими причинами смертности во всём мире, а стандартным тестом для выявления проблем является знакомая волнистая линия электрокардиограммы (ЭКГ). Врачи всё чаще обращаются к искусственному интеллекту для помощи в интерпретации этих сигналов, но многие ИИ‑инструменты ведут себя как непрозрачные «чёрные ящики», выдавая вердикт без объяснения своего рассуждения. В этом исследовании представлен новый подход под названием xGNN4MI, который стремится сохранить возможности современных ИИ и при этом сделать их логику видимой и проверяемой для клиницистов.

От сердечных сокращений к взаимосвязанным сигналам

ЭКГ не получается с единственной точки зрения: двенадцать отведений, размещённых на груди и конечностях, дают немного разные перспективы на электрическую активность сердца. Каждое из них чувствительно к различной области сердечной мышцы и кровоснабжения. Авторы преобразуют эту многоканальную запись в сеть, где каждая вершина представляет одно отведение, а связи отражают, как эти сигналы соотносятся друг с другом во времени. Разрезая десятисекундную ЭКГ на более короткие фрагменты и связывая одно и то же отведение между фрагментами, они строят структуру, которая учитывает как расположение электродов на теле, так и развитие сердечного цикла от удара к удару. Эта сеть становится входом для графовой нейронной сети — типа ИИ, разработанного для работы с сетями связанных данных, а не простыми решётками или списками.

Новый конвейер для чтения и локализации инфарктов

Используя такой сетевой вид ЭКГ, команда разработала открытый конвейер под названием xGNN4MI. Он покрывает весь путь от сырых сигналов до диагноза: построение графа ЭКГ, обучение графовой нейронной сети и объяснение того, как модель делает свои предсказания. Систему протестировали на двух сложных задачах. Во‑первых, ей нужно было распределить ЭКГ по пяти широким диагностическим группам, таким как нормальный ритм, инфаркт миокарда или нарушения проводимости. Во‑вторых, она должна была зайти дальше и определить, в какой части сердца произошёл инфаркт — различая поражения передней стенки (антеросептальные) и нижней стенки (инферорные) сердечной мышцы. Модель обучали на большой публичной коллекции ЭКГ, а затем проверяли на отдельном популяционном исследовании, чтобы оценить её обобщающую способность на новых пациентах.

Насколько хорошо работает система

В задаче широкого группирования модель достигала примерно семи из десяти правильных ответов, с особенно высокой точностью при распознавании нормальных записей и явных инфарктов. Некоторые категории с большим разнообразием внешних проявлений, такие как утолщение сердечной мышцы или нарушения проводимости, было сложнее чётко разделить, вероятно потому, что они охватывают несколько разных базовых проблем. Для более детальной задачи локализации инфаркта показатели улучшились: система корректно различала основные подтипы инфаркта с взвешенным F1‑баллом около 0,8 на основной базе данных и показала хорошую способность обобщаться на внешнюю когорту. Особенно надёжно она распознавала классические индикации для инферорных и антеросептальных инфарктов. Однако в внешнем исследовании модели труднее давалось выявление действительно здоровых сердец — признак того, что тонкие различия между наборами данных, такие как несколько более длинная длительность комплекса QRS (показатель времени активации сердечного цикла), могут сбивать даже хорошо обученные модели.

Что «смотрит» ИИ

Ключевое обещание xGNN4MI — это не только выдача ответа, но и показ, какие части графа ЭКГ имели наибольшее значение. Авторы использовали метод GNNExplainer для выделения наиболее влиятельных отведений и связей для каждого предсказания. Когда модель обозначала ЭКГ как антеросептальный инфаркт, наиболее важными узлами были грудные отведения V1–V3, что соответствует учебным представлениям о том, что эти отведения контролируют переднюю стенку сердца. Для инферорных инфарктов модель концентрировалась на отведениях II, III и aVF, вновь отражая традиционные критерии. Примечательно, что одно из конечностных отведений (aVR), часто упускаемое из виду при рутинной интерпретации, в некоторых инферорных случаях оказалось необычно важным, в созвучии с более новыми клиническими сообщениями, связывающими изменения в этом отведении с более тяжёлыми осложнениями. Нормальные ЭКГ, напротив, показывали более равномерное распределение важности по отведениям, что соответствует отсутствию единой поражённой области.

Ограничения и направления дальнейших исследований

Хотя объяснения хорошо согласовывались с установленными знаниями кардиологии, они также подчёркивают текущие ограничения. Метод объяснимости склонен фокусироваться на кластерах связанных отведений и не полностью захватывает дальние взаимосвязи или тонкую временную структуру, хотя они могут быть клинически важны. Модель также работает с одной доминантной меткой и пока не отражает сочетание состояний, которые часто встречаются у реальных пациентов. Авторы предлагают, что в будущем можно использовать более продвинутые средства объяснения, лучше учитывающие время, включать мульти‑метки диагнозов и адаптировать структуру графа под конкретные сердечные заболевания. Тем не менее, открытый доступ к коду, документация всех проектных решений и демонстрация того, что модель фокусируется на клинически обоснованных областях ЭКГ, делают xGNN4MI конкретным шагом к ИИ‑инструментам, которым врачи могут доверять и которые они могут использовать.

Что это значит для пациентов и врачей

Проще говоря, эта работа показывает, что возможно создать ИИ‑ассистента для интерпретации ЭКГ, который не только обнаруживает инфаркты и предлагает их локализацию, но и указывает на те же отведения, на которые опираются человеческие эксперты. Хотя система ещё не готова заменить кардиолога, платформа демонстрирует, что мощный графовый ИИ может быть сделан более прозрачным и сопоставимым с медицинскими знаниями. При дальнейшем доработке и валидации такие инструменты могли бы помочь менее опытным врачам в условиях высокой нагрузки или ограниченных ресурсов, быстро отмечая сердечные приступы с высоким риском и предоставляя наглядный след принятого решения.

Цитирование: 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

Ключевые слова: искусственный интеллект для ЭКГ, графовые нейронные сети, инфаркт миокарда, объяснимая искусственная интеллекта, диагностика сердечно‑сосудистых заболеваний