설명 가능성을 활용한 효율적인 심전도 분류를 위한 학습 시간 기반 신뢰성 지표

Using Explainability as a Training-Time Reliability Signal for Efficient ECG Classification

심층 신경망을 사용하여 임상 시계열 데이터를 분석하는 것은 많은 계산 자원을 필요로 하지만, 많은 의료 환경에서는 반복적인 모델 개발 및 배포에 필요한 충분한 자원이 부족합니다. 이러한 문제는 특히 심전도 분류에서 두드러지는데, 대규모 데이터 세트와 긴 학습 시간이 효율성을 매우 중요하게 만듭니다. Progressive Data Dropout은 학습 비용을 줄이기 위해 샘플이 학습되면 기울기 업데이트에서 제외하지만, 모델의 신뢰도에 의존하며 노이즈나 모호성으로 인해 어려움을 겪는 샘플을 유용한 신호 대신 유지할 수 있습니다. 본 연구에서는 효율적인 심전도 분류를 위한 설명 가능성을 기반으로 하는 신뢰성 학습 신호인 ERTS(Explainability-based Reliability Training Signal)를 제안합니다. ERTS는 학습 과정에서 설명의 품질을 사용하여 정보가 풍부한 부분과 신뢰할 수 없는 불확실성을 구별합니다. Progressive Data Selection을 기반으로, 후보 샘플에 대한 Grad-CAM 어텐션 맵을 계산하고 모델 예측이 일관성 있고 국소화된 패턴에 의해 뒷받침되는지 측정하는 포커스 점수를 도출합니다. 낮은 포커스 점수의 샘플은 필터링되고 의미 있는 어텐션을 갖는 샘플은 기울기 업데이트를 위해 우선적으로 사용됩니다. 우리는 세 개의 심전도 데이터 세트와 다양한 기본 아키텍처에서 ERTS를 평가하여 일관된 성능 향상과 함께 효과적인 학습 비용 감소를 확인했습니다. 이러한 결과는 설명 품질이 임상 시계열 학습의 효율성과 신뢰성을 모두 향상시키는 실용적인 지표가 될 수 있음을 시사합니다. 코드 공개 예정입니다.

Training deep neural networks for clinical time-series analysis is computationally demanding, yet many healthcare settings lack the resources required for repeated model development and deployment. This challenge is particularly evident in electrocardiogram classification, where large datasets and long training schedules make efficiency practically important. Progressive Data Dropout reduces training cost by excluding samples from gradient updates once they are learned, but it relies on model confidence and may retain samples that are difficult due to noise or ambiguity rather than useful signal. In this work, we introduce ERTS, an explainability-based reliability training signal for efficient ECG classification. ERTS uses explanation quality during training to distinguish between informative and unreliable uncertainty. Building on progressive data selection, we compute Grad-CAM attention maps for candidate samples and derive a focus score that measures whether model predictions are supported by coherent and localised patterns. Samples with low focus are filtered out, while those with meaningful attention are prioritised for gradient updates. We evaluate ERTS across three ECG datasets and multiple backbone architectures, showing consistent improvements in macro-F1 alongside reduced effective training cost. These results suggest that explanation quality can serve as a practical signal for improving both efficiency and reliability in clinical time-series learning. Code will be released.