Bài báo này trình bày ProtoECGNet, một mô hình học sâu đa nhãn có thể diễn giải được dùng cho phân loại điện tâm đồ (ECG). ProtoECGNet sử dụng suy luận dựa trên nguyên mẫu, dựa trên sự tương đồng với các biểu diễn đã học của các phân đoạn ECG thực, để cung cấp các giải thích dựa trên trường hợp minh bạch và đáng tin cậy. Nó sử dụng kiến trúc đa nhánh có cấu trúc phản ánh quy trình diễn giải lâm sàng, tích hợp một CNN 1D với các nguyên mẫu toàn cục để phân loại nhịp điệu, một CNN 2D với các nguyên mẫu cục bộ theo thời gian để suy luận dựa trên hình thái, và một CNN 2D với các nguyên mẫu toàn cục cho các bất thường khuếch tán. Mỗi nhánh được huấn luyện với một độ lệch nguyên mẫu được thiết kế cho học đa nhãn và kết hợp một độ lệch tương phản mới giúp thúc đẩy phân cụm, tách biệt, đa dạng và tách biệt phù hợp giữa các nguyên mẫu của các lớp không liên quan. Chúng tôi đánh giá ProtoECGNet trên tất cả 71 nhãn chẩn đoán của tập dữ liệu PTB-XL, chứng minh rằng nó hoạt động cạnh tranh với các mô hình hộp đen tiên tiến, đồng thời cung cấp các giải thích dựa trên trường hợp có cấu trúc. Tính đại diện và rõ ràng của các nguyên mẫu đã được xác minh thông qua các đánh giá có cấu trúc của bác sĩ lâm sàng. ProtoECGNet chứng minh rằng việc học nguyên mẫu có thể mở rộng hiệu quả sang phân loại chuỗi thời gian đa nhãn phức tạp, cung cấp một con đường thực tế hướng tới các mô hình học sâu minh bạch và đáng tin cậy để hỗ trợ quyết định lâm sàng.
