본 논문은 심전도(ECG) 분류를 위한 해석 가능한 다중 레이블 심층 학습 모델인 ProtoECGNet을 제시합니다. ProtoECGNet은 임상적 해석 워크플로를 반영하는 구조화된 다중 분기 아키텍처를 사용합니다. 1D CNN과 전역 프로토타입을 사용하여 리듬 분류를 수행하고, 2D CNN과 시간 국소화된 프로토타입을 사용하여 형태 기반 추론을 수행하며, 2D CNN과 전역 프로토타입을 사용하여 확산성 이상을 분류합니다. 각 분기는 다중 레이블 학습을 위해 설계된 프로토타입 손실 함수로 훈련되며, 클러스터링, 분리, 다양성 및 관련 없는 클래스의 프로토타입 간의 적절한 분리를 장려하는 새로운 대조 손실을 결합합니다. PTB-XL 데이터셋의 71개 진단 레이블에 대해 ProtoECGNet을 평가하여 최첨단 블랙박스 모델에 비해 경쟁력 있는 성능을 보이며, 구조화된 사례 기반 설명을 제공함을 보여줍니다. 임상의의 프로토타입 검토를 통해 프로토타입의 대표성과 명확성을 확인했습니다. ProtoECGNet은 프로토타입 학습을 복잡한 다중 레이블 시계열 분류에 효과적으로 확장할 수 있음을 보여주며, 임상 의사 결정 지원을 위한 투명하고 신뢰할 수 있는 심층 학습 모델을 위한 실용적인 경로를 제공합니다.
