설명가능성(Explainability)을 훈련 시간 신뢰도 신호로 활용한 효율적인 심전도(ECG) 분류

임상 시계열 분석을 위한 깊은 신경망(deep neural networks) 훈련은 계산 집약적이지만, 많은 의료 환경에서는 반복적인 모델 개발 및 배포에 필요한 자원이 부족합니다. 이러한 어려움은 특히 대규모 데이터셋과 긴 훈련 일정이 효율성을 실질적으로 중요하게 만드는 심전도 분류에서 두드러집니다. Progressive Data Dropout은 샘플이 학습되면 기울기 업데이트(gradient updates)에서 제외하여 훈련 비용을 줄이지만, 모델의 신뢰도에 의존하며 노이즈나 모호성 때문에 어려운 샘플을 유용한 신호가 아닌 경우에도 유지할 수 있습니다. 본 연구에서는 효율적인 심전도 분류를 위한 설명가능성 기반의 신뢰도 훈련 신호인 ERTS를 소개합니다. ERTS는 훈련 중 설명 품질(explanation quality)을 사용하여 정보성이 있는 불확실성과 그렇지 않은 불확실성을 구별합니다. 점진적 데이터 선택(progressive data selection)에 기반하여, 우리는 후보 샘플에 대해 Grad-CAM 어텐션 맵(attention maps)을 계산하고 모델 예측이 일관되고 국소화된 패턴에 의해 뒷받침되는지 측정하는 포커스 점수(focus score)를 도출합니다. 포커스가 낮은 샘플은 필터링되고, 의미 있는 어텐션을 가진 샘플은 기울기 업데이트가 우선순위로 지정됩니다. 우리는 세 가지 심전도 데이터셋과 여러 백본 아키텍처(backbone architectures)에 걸쳐 ERTS를 평가했으며, 거시적 F1 점수(macro-F1)의 일관된 개선과 감소된 유효 훈련 비용을 보여주었습니다. 이러한 결과는 설명 품질이 임상 시계열 학습에서 효율성과 신뢰도 모두를 향상시키는 실질적인 신호 역할을 할 수 있음을 시사합니다. 코드는 공개될 예정입니다.