X-Beat: 심전도 이미지 분류를 위한 설명 가능한 프레임워크
X-Beat: An Explainable Framework for ECG Image Classification
심근경색 및 부정맥과 같은 심장 질환의 조기 발견을 위해서는 심전도(ECG)의 정확한 자동 판독이 필수적입니다. 그러나 뛰어난 성능을 보이는 많은 심층 학습(deep learning) 모델은 제한된 투명성과 신뢰도 검증(validation) 부재로 인해 실제 임상 환경에 배포되기 어렵습니다. 본 연구에서는 의료 분야에서 신뢰할 수 있는 AI 시스템을 지원하도록 설계된 심전도 이미지 분류(image classification)를 위한 설명 가능하고 신뢰도를 고려한 벤치마크(benchmark) 프레임워크인 X-Beat를 제시합니다. 제안된 프레임워크는 전이학습(transfer learning)과 사후 설명 가능성(post-hoc explainability), 그리고 이상 심박(Abnormal Heartbeat), 심근경색 병력(History of Myocardial Infarction), 심근경색(Myocardial Infarction), 정상 심박(Normal Heartbeat)의 네 가지 심장 질환 범주 전반에 걸친 체계적인 신뢰도 평가(evaluation)를 결합합니다. EfficientNet-B0, ResNet-50, DenseNet-121, MobileNetV3-Large를 포함한 여러 ImageNet 사전학습(pre-training) CNN 백본(backbone)을 통합된 학습(training) 프로토콜 하에서 평가합니다. 표준 성능 지표를 넘어, 모델(model) 예측이 임상적으로 유의미한 근거에 기반하는지 검토하기 위해 설명 안정성, 영역 민감도, 신뢰도 기반 신뢰성 평가를 포함한 추가 분석과 함께 Grad-CAM 기반 시각적 설명을 통합합니다. 실험 결과에 따르면 ResNet-50이 가장 우수한 성능을 달성하여 91.94%의 정확도와 0.9098의 매크로 F1 점수를 기록했으며, 강력한 클래스 분리도(AUC 최대 0.995)를 보였습니다. 설명 분석 결과 모델은 주로 파형(waveform) 관련 영역에 초점을 맞추는 것으로 나타났으며, 신뢰도 평가에서는 대부분의 부정확한 예측이 낮은 신뢰도에서 발생하는 것으로 나타났습니다. 종합적으로, 본 연구는 심전도 이미지 분류에서 예측 성능과 설명 신뢰도를 모두 평가할 수 있는 체계적이고 재현 가능한 벤치마크를 제공하며, 임상 의사 결정 지원 시스템을 위한 신뢰할 수 있고 해석 가능한 AI 구성요소 개발에 기여합니다.