HypOProto：左心室充盈压力分类的双曲序数原型

超声心动图 (echo) 是一种广泛使用的用于评估心脏功能的成像方式，左心室充盈压 (LVFP) 是心力衰竭等疾病的关键生理标志物。标准 LVFP 分类为正常 \emph{vs} 升高类别依赖于多普勒导出的 $E/e'$ 比率，该比率取决于操作员并且通常在资源有限的环境中不可用，从而激发了直接从 B 模式回波推断 LVFP 的方法。现有的深度学习方法实现了高性能，但很大程度上仍然是黑盒，限制了临床可解释性。我们提出了 HypOProto，一种基于双曲线、序数原型的框架，用于使用冻结的、可解释的基础模型主干进行可解释的 LVFP 分类。 HypOProto 沿着生理 $E/e'$ 尺度排列原型，将边界病例放置在双曲面根部附近，其中较小的角度差异将相似的病例分开，而正常和升高的病例占据向外的位置，反映了诊断确定性的增加。这种双曲几何编码了具有临床意义的序数关系并提高了可解释性。我们还引入了一种新颖的双曲原型角分离（HyperPAS）损失，在双曲空间中强制执行类间原型分离。 HypOProto 在保持透明度的同时实现了 SOTA 性能，并在可视化中突出显示了临床相关区域。这项工作代表了 echo 中第一个基于原型的 LVFP 分类框架。我们的代码可以在 https://github.com/DeepRCL/HypOProto 找到。