Transformer based interpretable algorithm for diagnosing myocardial infarction from electrocardiography data

Abstract

Miyokard enfarktu?su? (ME), kalp kasının oksijen eksikliği nedeniyle hasar gördu?ğu? ölu?mcu?l kardiyovasku?ler hastalıklardan biridir. Erken teşhis kritik önem taşır, ancak elektrokardiyogram(EKG) ölçu?mlerinden yorumlanması uzmanlık ve zaman gerektiren bir işlemdir. Bu nedenle, EKG verilerini kullanarak EKG sinyallerinden ME teşhisi yapabilen algoritmaların geliştirilmesine sağlık ve yapay zeka alanlarında önem verilmektedir. Bu çalışmada, dört farklı derin öğrenme modeli denenmiştir: CNN (Evrişimsel Sinir Ağları), CRNN(Evrişimsel Yinelemeli Sinir Ağları), CNN ile Çok Başlı Dikkat ve Transformer tabanlı modeller. Bu modeller, herkese açık olarak erişilebilen PTB, PTB-XL ve INCART veri setlerinin birleştirilmiş hali üzerinde eğitildi ve test edildi. Modellerin performansı doğruluk, duyarlılık, özgu?llu?k ve F1 skoru gibi metriklerle değerlendirilmiştir. Transformer tabanlı model %93'lük doğruluk oranıyla en başarılı model oldu. Diğer yandan, çalışmanın önemli bir kısmını modellerin şeffaflaştırılmasına ayrılmış ve Grad-CAM bazlı yöntemlerin yanında karşıt saldırıları örnek alan bir pertu?rbasyon algoritması sayesinde derivasyonlar sırayla bozulmuş ve modellerin davranışı analiz edilmiştir.Myocardial infarction (MI), a fatal cardiovascular disease, occurs when the heart muscle is damaged due to lack of oxygen. Early diagnosis is of critical importance, yet interpreting electrocardiogram(ECG) signals requires expertise and time. Therefore, the development of algorithms capable of diagnosing MI using ECG data is studied well in the fields of health and artificial intelligence. In this study, four different deep learning models were explored: Convolutional Neural Networks (CNNs),CRNNs(Convolutional Recurrent Neural Networks), CNNs with Multi-Head Attention, and Transformer-based models. These models were trained and tested on the combined dataset of the publicly available PTB, PTB-XL, and INCART datasets. The performances of the models were evaluated using metrics such as accuracy, sensitivity, specificity, and F1 score. The transformer-based model was the most successful model with an accuracy rate of 93%. On the other hand, the study focused on the transparency of the models, where Grad-CAM based methods and a perturbation algorithm inspired by adversarial attacks were used to disrupt derivations and analyze the behavior of the models.