Este artículo presenta ProtoECGNet, un modelo interpretable de aprendizaje profundo multietiqueta para la clasificación de electrocardiogramas (ECG). ProtoECGNet utiliza inferencia basada en prototipos, que basa las decisiones en la similitud con las representaciones aprendidas de segmentos de ECG reales, para proporcionar explicaciones transparentes y fiables basadas en casos. Emplea una arquitectura estructurada multirama que replica los flujos de trabajo de interpretación clínica, integrando una CNN 1D con prototipos globales para la clasificación del ritmo, una CNN 2D con prototipos localizados temporalmente para la inferencia basada en la morfología y una CNN 2D con prototipos globales para las anomalías de difusión. Cada rama se entrena con una pérdida de prototipo diseñada para el aprendizaje multietiqueta y combina una novedosa pérdida contrastiva que promueve la agrupación, la separación, la diversidad y la correcta separación entre prototipos de clases no relacionadas. Evaluamos ProtoECGNet en las 71 etiquetas diagnósticas del conjunto de datos PTB-XL, demostrando que su rendimiento es competitivo frente a los modelos de caja negra de vanguardia, a la vez que proporciona explicaciones estructuradas basadas en casos. La representatividad y claridad de los prototipos se verificaron mediante revisiones clínicas estructuradas. ProtoECGNet demuestra que el aprendizaje de prototipos puede escalarse eficazmente a la clasificación compleja de series temporales multietiqueta, lo que proporciona una vía práctica hacia modelos de aprendizaje profundo transparentes y fiables para el apoyo a la toma de decisiones clínicas.
