Abstract:Recognizing the need for explainable AI (XAI) approaches to enable the successful integration of AI-based ECG prediction models (AI-ECG) into clinical practice, we introduce a framework generating textbf{Co}untertextbf{F}actual textbf{E}CGs (i,e., named CoFE) to illustrate how specific features, such as amplitudes and intervals, influence the model’s decisiones predictivas. Para demostrar la aplicabilidad del COFE, presentamos dos estudios de casos: clasificación de fibrilación auricular y modelos de regresión a nivel de potasio. El COFE revela cambios de características en las señales de ECG que se alinean con el conocimiento clínico establecido. Al aclarar ambos textbf {donde aparecen características válidas} en el ECG y textBF {cómo influyen en las predicciones del modelo}, anticipamos que nuestro marco mejorará la interpretabilidad de los modelos AI-ECG y apoyará la toma de decisiones clínicas más efectivas. Nuestro video de demostración está disponible en: esta URL HTTPS.
Publicado Originalme en export.arxiv.org El 24 de agosto de 2025.
Ver Fuente Original
