Cet article présente ProtoECGNet, un modèle d'apprentissage profond multi-étiquettes interprétable pour la classification des électrocardiogrammes (ECG). ProtoECGNet utilise une architecture multi-branches structurée qui reflète les flux de travail d'interprétation clinique. Il effectue la classification du rythme à l'aide d'un CNN 1D et de prototypes globaux, l'inférence morphologique à l'aide d'un CNN 2D et de prototypes localisés dans le temps, et la classification des anomalies diffusives à l'aide d'un CNN 2D et de prototypes globaux. Chaque branche est entraînée avec une fonction de perte de prototype conçue pour l'apprentissage multi-étiquettes et intègre une nouvelle perte de contraste qui favorise le clustering, la séparabilité, la diversité et la séparation appropriée entre les prototypes de classes non apparentées. Nous évaluons ProtoECGNet sur 71 étiquettes diagnostiques issues du jeu de données PTB-XL, démontrant des performances compétitives par rapport aux modèles boîte noire de pointe et fournissant des explications structurées et basées sur des cas. L'examen des prototypes par les cliniciens a confirmé leur représentativité et leur clarté. ProtoECGNet démontre que l'apprentissage par prototype peut s'adapter efficacement à une classification complexe de séries chronologiques multi-étiquettes, offrant ainsi une voie pratique vers des modèles d'apprentissage en profondeur transparents et fiables pour l'aide à la décision clinique.
