// AI 新闻 · 2026-10-31 · Nature
XAI-ECGNet框架实现可解释心电图多标签分类
研究团队提出XAI-ECGNet模型，基于1D残差CNN、通道注意力机制和双向LSTM结构，在PTB-XL数据集上实现多标签心电图分类。该模型在宏观AUROC达0.9337，优于所有现有基线方法，其中四个诊断大类的AUROC均超过0.90。消融实验表明，完整模型性能与仅使用CNN的骨干网络几乎一致（差异σ=0.0023），且SE注意力机制对BiLSTM提升至关重要，在四类中恢复并超越了CNN单独模型的表现。
原文发布 2026-10-31 08:00（北京时间）来源 Nature自动整理 · 已核对原文
01摘要
三种事后解释方法（Grad-CAM、SHAP、集成梯度）显示模型学习到临床一致的特征表示，无需显式引入临床先验。模型通过定量忠实性评估、SHAP背景样本大小验证及在CPSC 2018数据集上的零样本迁移验证，展现出对NORM和CD类的真实泛化能力，并揭示了STTC标签分类中的可解释不匹配现象。
由开源模型根据原文自动整理，经数字/专名逐项核对（必须在原文中出现），以原文为准。
02要点
- XAI-ECGNet基于1D残差CNN、SE通道注意力与BiLSTM结构，在PTB-XL数据集上实现宏观AUROC达0.9337。
- 四类诊断大类的AUROC均高于0.90，消融实验显示SE注意力对BiLSTM性能提升至关重要。
- Grad-CAM、SHAP和集成梯度方法验证模型学习到临床一致的特征表示，无显式临床先验。
- 模型在CPSC 2018数据集上实现零样本泛化，对NORM和CD类表现良好，STTC类存在标签分类可解释性不匹配。
03原文出处
Nature · 发布于 2026-10-31 08:00（北京时间） · 上方为原标题
05相关新闻
出自智图 AI 新闻：从 1100 多个官方与媒体信源采集。摘要只转述原文内容，详情请看原文。 2026-10-31 全部新闻 · 按日期归档 · 全部 AI 新闻 · 今日