Naukowcy zaproponowali nową architekturę sieci grafowej opartą na wiedzy domenowej do klasyfikacji zapisów EKG, która w znaczący sposób poprawia interpretacyjność sztucznej inteligencji w medycynie. Zamiast polegać wyłącznie na wielowarstwowych sieciach konwolucyjnych, model wykorzystuje punkty orientacyjne PRQST - kluczowe strukturalne elementy elektrokardiogramu istotne dla jego prawidłowej interpretacji.
Architektura opiera się na podwójnym strumieniu skierowanych grafów. Grafy przestrzenne modelują relacje pozycyjne między kluczowymi punktami w obrębie jednego cyklu EKG, podczas gdy grafy czasowe wychwytują zależności między sąsiednimi cyklami w dłuższych sekwencjach zapisów. To podejście pozwala sieci nauczyć się zarówno lokalnych charakterystyk badania, jak i jego dynamiki w czasie.
Modelu testowano na zbiorze danych z Pierwszego Chińskiego Konkursu Inteligencji EKG, który obejmował klasyfikację zapisów do dziewięciu kategorii. Średni wynik F1 wynosi 88,1 procent, a w szczególności dla rzadkich kategorii arytmii model uzyskał 76,3 procent średniej wartości F1 - znacznie przewyższając wcześniejsze podejścia. Wprowadzenie jawnej wiedzy domenowej okazało się szczególnie wartościowe dla identyfikacji zaburzeń pojawiających się rzadko w zbiorach treningowych, co ma ogromne znaczenie dla praktycznego zastosowania w diagnostyce klinicznej.