可解释的房颤检测

有一位患者在一年里做了 916 次智能手表心电图，跑了十二次不必要的急诊。那些警报并没有骗她，它们只是从来不说为什么。

问题是什么

智能手表擅长抓出房颤，不擅长排除房颤。灵敏度高、特异度低，于是很多人被标记出来的其实是良性心律，比如咖啡因或者焦虑带来的那种偏快但规整的心跳。

真正造成伤害的并不是那个错误的标签，而是标签周围的沉默。手表说「可能房颤」或者「无法判断」，不给任何理由，用户手里就没有可以思考的东西。2024 年一项针对房颤患者的研究发现，20% 的可穿戴设备使用者在收到心律通知后报告了强烈焦虑，而这一组人后续接受的诊断检查是对照组的两倍，消融手术率是 4.5 倍。焦虑抬高心率，心率抬高触发更多警报，循环就闭合了。

所以这个项目的目标不是更高的准确率，而是一个能说出自己看到了什么的输出。

这条管线

单导联心电图进入一个小型 1D CNN，分成 Normal、AFib、Other 三类。Grad-CAM 读取最后一个卷积层，生成一张显著性图，指出模型沿着波形究竟在看哪里。

但那张图仍然只是一张图，所以下一步是把它变成人能据此行动的文字。用 NeuroKit2 检测 R 波峰，在每一拍周围的三个生理窗口里对显著性取平均，分别是 P 波、QRS 波群和 T 波，再加上心率和心跳间隔的变异度。每条记录五个数。

这五个数被归成「高」「不规整」这样的朴素说法，交给 Claude 写面向患者的解释，并且约束死：只描述证据里有的东西，不添加任何内容，不告诉用户他有或者没有某种病，永远建议去看医生。语言模型看不到原始信号，所以写解释这件事从「诊断」退化成了「翻译」。

模型到底在看什么

在测试集上取平均，房颤记录的 QRS 激活最高，0.216 对 Normal 的 0.106；心跳间隔变异度也远高于其他类，164 毫秒对 82 毫秒。这与房颤「绝对不规整」的临床定义吻合，是个让人安心的结果，说明网络找到的是真实信号，而不是数据集里的某种伪相关。

P 波激活在三类之间差不多。在单导联、信噪比不高的条件下，模型依靠的是节律而不是 P 波形态。

分类器本身很一般。准确率 64%，macro F1 0.53，Normal 强、AFib 弱，这就是 10 比 1 的类别不平衡会带来的结果。这一点值得直说，因为真正有意思的结果在它下游。

发现

四十条解释被逐条人工标注，对照的是生成它们的那份证据。一条解释只有在既不与证据矛盾、也不添加证据里没有的内容时，才算「忠实」。

整体忠实率 72.5%。但按类别拆开，这个数字就散了。房颤解释的忠实率是 94%，Other 是 100%，而 Normal 只有 29%。

原因几乎有点好笑。在一条正常记录上，模型往往哪里都不特别关注，于是三个激活值全都很低。证据实际上什么都没说，而语言模型被要求去解释，就用听起来很合理、但毫无依据的临床描述把这段沉默填上了。它会自信地写「P 波、QRS 波群和 T 波都符合正常节律的预期」，而输入里根本没提过这些。

给语言模型一个空地，它会自己造一层地板出来。

修法

在 prompt 里加一条规则：当三个激活值都低于 0.3 时，只描述心率和节律是否规整，不要提任何波形形态。管线其他部分全部不动，把受影响的解释重新生成、按同一套标准重新标注。

那道差距从来不是模型问题，是 prompt 问题。而它之所以被看见，只是因为有人把每一条解释逐行对着证据核过。ROUGE 这类文本指标会给那个编造版本打出很不错的分数。

95% 还不够放到患者面前。二十条里仍然有一条包含没有依据的说法，而且一条解释可以完全忠实于模型的证据，同时底层的分类根本就是错的。诚实的总结是：把文字锚定在结构化证据上能补掉大部分差距，而剩下的那一小部分，才是真正的难处所在。