通过基于查询的潜在空间遍历（qLST）实现可解释的 ECG 分类

基于摘要分析。该研究面向 ECG 异常分类的黑箱解释问题，提出 query-based latent space traversal（qLST），通过遍历生成模型的潜在空间并生成 ECG，展示分类器所关联的信号特征，而不只标出重要特征所在的位置。 核心机制是先在一个大型大学医院数据集上训练变分自编码器（VAE），再训练一个学习潜在空间遍历的神经网络，利用遍历生成的 ECG 解释分类模型。摘要描述的数据规模为超过 800,000 份 ECG，包含针对 28 种疾病的标注；该规模对应所述 VAE 训练数据背景，不能据此推断分类器训练集、测试划分或各疾病的样本分布。查询的具体形式、遍历目标、损失函数及生成约束尚未验证。 作者报告，通过实验生成的 ECG 可以解释不同的黑箱分类器。相较于摘要所述主要提供重要位置的显著性方法，其研究重点是让特征变化本身可见；但摘要未提供量化解释指标或比较结果，尚不能确认其解释忠实性、生成信号的生理合理性及相对基线的优势。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其“潜在空间遍历—生成信号—观察分类响应”的机制可作为 EEG 分类解释的候选路径，但需要重新训练适配 EEG 的生成模型，并保留通道间与时序结构。低信噪比、跨被试差异和小数据可能使遍历产生伪迹或偏离真实信号分布。一个可检验的小实验是在固定被试内划分下，检查遍历是否稳定改变目标分类输出，同时由独立信号指标核对非目标特征是否保持稳定；分类响应变化本身不等于解释有效。已有 EEG 相关工作尚未检索确认。