Work

Syväoppimismallien tulkittavuuskehys EKG-signaalien rytmihäiriöanalyysiin

Year: 2026
Type: dissertation
Abstract: Syväoppimismalleja hyödynnetään yhä laajemmin EKG-signaalien rytmihäiriöanalyysissa, mutta niiden mustan laatikon luonne hidastaa kliinistä käyttöönottoa. Selitettävän tekoälyn (XAI) menetelmiä on kehitetty useita eikä yksimielisyyttä parhaiten soveltuvasta menetelmästä ole saavutettu. Insinöörityön tavoitteena oli kehittää modulaarinen tulkittavuuskehys, jolla useita XAI-menetelmiä voidaan vertailla rinnakkain 12-kytkentäisestä EKG:stä tehtävässä eteisvärinän tunnistuksessa. Työ toteutettiin Python-, PyTorch- ja Captum-pohjaisena avoimen lähdekoodin kehyksenä, jonka suunnitteluperiaatteiksi valittiin toistettavuus, laajennettavuus ja malliagnostisuus. Kehykseen toteutettiin neljä menetelmää (Grad-CAM, HiResCAM, GradientSHAP ja KernelSHAP) sekä uskollisuusevaluointi, joka perustuu poisto- ja lisäyskäyriltä laskettaviin AOPC-arvoihin. Lisäksi rakennettiin visualisointityökalut selitysten esittämiseen kytkennöittäin. Keskeisin tulos oli, että universaalisti parasta tulkittavuusmenetelmää ei löytynyt, vaan menetelmien paremmuusjärjestys riippui käytetystä evaluointimetriikasta. CAM-pohjaiset menetelmät menestyivät parhaiten poistokäyrällä mitattuna, kun taas GradientSHAP osoittautui ylivoimaiseksi lisäyskäyrällä. Tästä voidaan päätellä, ettei yksittäinen uskollisuusmittari riitä luotettavan johtopäätöksen pohjaksi, vaan XAI-menetelmiä tulisi arvioida ja käyttää rinnakkain useilla mittareilla. Työn tuloksena syntynyt avoimen lähdekoodin tulkittavuuskehys mahdollistaa toistettavan XAI-menetelmien vertailun EKG-pohjaisessa rytmihäiriöanalyysissa ja tarjoaa laajennettavan lähtökohdan jatkokehitykselle. Kehyksen lähdekoodi on saatavilla osoitteesta: https://github.com/Nebonen/ecg-xai-framework
Language: Finnish
Open Access status: green
OpenAlex ID: W7161929641
Cites: 19
Cited by:
Related to: 10