UniCoMTE: Universelles Counterfactual-Framework erklärt ECG-Classifier

Ein neues, modellunabhängiges Tool namens UniCoMTE wurde vorgestellt, das die Erklärbarkeit von Deep‑Learning‑Modellen für Zeitreihen, insbesondere für Herz-Kreislauf‑Signale, deutlich verbessert. Durch gezielte Modifikationen von Eingabedaten liefert UniCoMTE kompakte, stabile und menschlich nachvollziehbare Erklärungen, die zeigen, welche zeitlichen Merkmale die Vorhersage eines Modells am stärksten beeinflussen.

Die Entwickler haben das Framework auf einen multivariaten ECG‑Classifier angewendet und die Qualität der Erklärungen mit etablierten Methoden wie LIME und SHAP verglichen. Die Ergebnisse zeigen, dass UniCoMTE nicht nur klarere, sondern auch generalisierbarere Erklärungen liefert, die sich besser für ähnliche Proben eignen.

Ein weiterer Schwerpunkt lag auf der klinischen Nützlichkeit: Fachärzte bewerteten die Counterfactual‑Erklärungen in einem strukturierten Fragebogen. Die Rückmeldungen bestätigten, dass die von UniCoMTE generierten Hinweise die Verständlichkeit der Modellentscheidungen erhöhen und somit die Akzeptanz in der medizinischen Praxis fördern.

Mit UniCoMTE wird die Transparenz von tiefen neuronalen Netzen für reale Zeitreihenanwendungen vorangetrieben, indem die Verbindung zwischen Modellvorhersagen und sinnvollen Signalmustern hergestellt wird. Dieses Fortschrittliche Tool eröffnet neue Möglichkeiten, komplexe Klassifikatoren in sicherheitskritischen Bereichen wie der Gesundheitsversorgung vertrauenswürdiger einzusetzen.