Cet article présente ProtoECGNet, un modèle d'apprentissage profond multi-étiquettes interprétable pour la classification des électrocardiogrammes (ECG). ProtoECGNet utilise l'inférence basée sur des prototypes, qui fonde les décisions sur la similarité avec les représentations apprises de segments d'ECG réels, afin de fournir des explications transparentes et fiables basées sur des cas. Il utilise une architecture multi-branches structurée qui reflète les flux d'interprétation clinique, intégrant un CNN 1D avec des prototypes globaux pour la classification du rythme, un CNN 2D avec des prototypes temporellement localisés pour l'inférence basée sur la morphologie, et un CNN 2D avec des prototypes globaux pour les anomalies de diffusion. Chaque branche est entraînée avec une perte de prototype conçue pour l'apprentissage multi-étiquettes et combine une nouvelle perte contrastive qui favorise le clustering, la séparation, la diversité et la séparation appropriée entre les prototypes de classes non apparentées. Nous évaluons ProtoECGNet sur les 71 étiquettes diagnostiques de l'ensemble de données PTB-XL, démontrant qu'il est compétitif par rapport aux modèles boîte noire de pointe tout en fournissant des explications structurées basées sur des cas. La représentativité et la clarté des prototypes ont été vérifiées par des évaluations cliniques structurées. ProtoECGNet démontre que l'apprentissage par prototypes peut s'adapter efficacement à la classification complexe de séries chronologiques multi-étiquettes, offrant ainsi une voie pratique vers des modèles d'apprentissage profond transparents et fiables pour l'aide à la décision clinique.
