心血管疾病是全球死亡的主要原因。心源性猝死(SCD)约占所有心脏死亡的50%。心电图(ECG)广泛用于心脏疾病的早期诊断。然而，准确解读的复杂性限制了心电图的效能。现代深度学习方法已被应用于协助临床医生进行诊断。研究团队应用神经架构搜索(NAS)，一种自动化机器学习技术，来识别用于从心电图中分类心脏心律失常的最佳深度学习架构。
研究团队将可微分架构搜索策略应用于AutoFormer搜索空间，以识别用于心律失常分类的最佳自注意力架构。他们在PhysioNet Challenge 2021数据集(n = 88,253)上训练、验证和测试了该模型，该数据集包含来自三大洲的心电图。研究团队对NAS输出进行了超参数优化，探索了输入补丁大小、类别权重和损失函数。他们使用PhysioNet挑战指标和接收者操作特征曲线下面积(AUROC)评估性能。
NAS收敛到最小架构配置(嵌入维度：384，深度：4，自注意力头：4，MLP比率：1)，验证挑战指标为0.66(PhysioNet Challenge 21获奖者：0.63)。NAS创建的网络在测试中实现了0.97的AUROC和0.71的挑战指标。正常窦性心律和窦性心动过速的AUROC达到0.99。低QRS电压和T波异常是表现最差的心律失常，AUROC分别为0.89和0.90。
研究团队认为，在心律失常分类中，架构的简洁性驱动了性能表现。由于SCD是意外发生的，自由生活环境中的预防策略需要适合可穿戴设备的轻量级计算资源。无论超参数选择如何，类别不平衡从根本上限制了罕见心律失常(如低QRS电压和T波倒置)的分类性能。然而，自注意力机制可以自主抽象临床表征，通过消除显式特征提取管道的需求，简化临床部署。
【全文结束】