Cardiovascular diseases are the leading cause of death globally, highlighting the need for accurate diagnostic tools. To address this issue, we introduce a novel approach for arrhythmia detection based on electrocardiogram (ECG) that incorporates explainable artificial intelligence through three key methods. First, we developed an enhanced R peak detection method that integrates domain-specific knowledge into the ECG, improving peak identification accuracy by accounting for the characteristic features of R peaks. Second, we proposed an arrhythmia classification method utilizing a modified convolutional neural network (CNN) architecture with additional convolutional and batch normalization layers. This model processes a triad of cardio cycles—the preceding, current, and following cycles—to capture temporal dependencies and hidden features related to arrhythmias. Third, we implemented an interpretation method that explains CNN’s decisions using clinically relevant features, making the results understandable to clinicians. Using the MIT-BIH database, our approach achieved an accuracy of 99.43%, with F1-scores approaching 100% for major arrhythmia classes. The integration of these methods enhances both the performance and transparency of arrhythmia detection systems.

Deep electrocardiographic classifiers achieve strong performance, but their latent evidence remains difficult to audit. Prevalent explanations usually do not jointly expose clinical semantics, global rules, conflict, and abstention failures. In this work, we propose Cardiac Auditing with Rule-Based Decisions, Interpretability, and Abstention for eXplainability (CARDIA-X), a model-agnostic post-hoc framework that maps frozen neural features to continuous electrocardiogram (ECG) semantics, applies Weighted Entropy-Density Discretization, and induces conflict-aware rough-set rules without retraining. To our knowledge, its scientific novelty is the first governed neural-to-semantic-to-symbolic audit pathway that separately evaluates prediction, reconstruction, rules, fiducials, morphology, and physician agreement. Unlike other state-of-the-art approaches, which are based on local importance, predefined-concept sensitivity, architecture-coupled concepts, or exemplar similarity but not a reusable conflict-aware rulebook for a frozen ECG model, CARDIA-X uniquely combines continuous clinical semantics, symbolic rules, explicit conflict, and reason-coded abstention. On 2,198 patient-disjoint PTB-XL test records, exact multilabel subset accuracy was 0.741, micro-averaged F1 was 0.813, and atrial-fibrillation F1 was 0.875, whereas rare-label F1 ranged from 0.171 to 0.250. Semantic-reconstruction mean absolute error was 0.572, external LUDB R-peak detection achieved F1 of 0.916, and benchmark-blinded physician agreement across 100 cases yielded Cohen's kappa of 0.683. Overall, CARDIA-X enables traceable and clinically interpretable retrospective auditing while providing a rigorous foundation for systematic clinical evaluation and further methodological refinement.

РЕЗЮМЕ. Розвиток сімейної медицини потребує комплексного підходу при огляді хворого та наданні сучасної медичної допомоги пацієнтам, що підвищує вимоги до підготовки сімейних лікарів. Велику медико-соціальну проблему складають хвороби крові, зокрема, онкологічні, тому поліпшення ранньої діагностики має велике значення. Мета – удосконалення підготовки лікарів загальної практики з питань раннього виявлення онкогематологічної патології шляхом поліпшення методики та клінічного аналізу в навчальному процесі спеціалістів на прикладі розбору клінічного випадку з особистої практики. Матеріал і методи. Використано бібліосемантичний метод, спостереження та аналіз. Результати й обговорення. Опитування сімейних лікарів показало їх недостатнє розуміння своїх компетенцій у допомозі хворим з гематологічною патологією, зокрема, онкогематологічною, коли рання діагностика та ведення цих хворих з приводу коморбідних станів має велике значення. Тому роз’яснення та нагадування компетенцій сімейним лікарям при їх підготовці має займати належне місце, адже ця категорія хворих зазвичай перший свій візит робить до сімейного лікаря. Через недосконале вміння пальпації лімфатичних вузлів та селезінки сімейні лікарі часто не застосовують це на практиці, тому відпрацювання навичок та робота «біля ліжка хворого» гостро необхідні. Наведений у статті клінічний приклад та його розбір є ефективною методикою навчання лікарів. Висновки. Сімейні лікарі часто недооцінюють своє значення у наданні медичної допомоги онкогематологічним хворим через нестачу теоретичних знань та практичних навичок, тому покращення підготовки сімейних лікарів має компенсувати ці недоліки. У разі наявності неспецифічних синдромів – інтоксикаційного, запально-інфекційного, а також більш специфічних синдромів – анемічного та геморагічного, під підозрою мають бути онкогематологічні захворювання. Невід’ємними складовими обстеження хворого з поліморбідною патологією мають бути аналіз крові, пальпація селезінки та лімфатичних вузлів. Загострення уваги лікарів при викладанні та детальний клінічний розбір клінічних випадків за темою мають бути невід’ємними компонентами ефективної підготовки лікарів загальної практики.

Cardiovascular diseases are the leading cause of death globally, highlighting the need for accurate diagnostic tools. To address this issue, we introduce a novel approach for based arrhythmia detection based on electrocardiogram (ECG) that incorporates explainable artificial intelligence through three key methods. First, we developed an enhanced R peak detection method that integrates domain-specific knowledge into the ECG, improving peak identification accuracy by accounting for the characteristic features of R peaks. Second, we proposed an arrhythmia classification method utilizing a modified convolutional neural network (CNN) architecture with additional convolutional and batch normalization layers. This model processes a triad of cardio cycles–the preceding, current, and following cycles–to capture temporal dependencies and hidden features related to arrhythmias. Third, we implemented an interpretation method that explains CNN’s decisions using clinically relevant features, making the results understandable to clinicians. Using the MIT-BIH database, our approach achieved an accuracy of 99.43%, with F1-scores approaching 100% for major arrhythmia classes. The integration of these methods enhances both the performance and transparency of arrhythmia detection systems.

Cardiac MRI images are vital in diagnosing a range of heart diseases, yet standard so-lutions frequently struggle with inadequate region delineation, confusion among simi-lar pathologies, and opaque decision-making processes. In this work, we aim to resolve these problems by introducing dedicated methods for careful region extraction, spe-cialized classification, and metric-based interpretation. Our approach notably im-proves segmentation, achieving Dice coefficients of 0.974 for the left ventricle and 0.947 for the right ventricle—outperforming prior baselines. Classification results reach a 97% overall accuracy, substantially higher than reference architectures that only attained 72–84%. Furthermore, clinical relevance is enhanced through a struc-tured output that pinpoints key anatomical and functional indicators. These findings suggest a reliable pipeline that refines MRI analysis and facilitates healthcare profes-sionals making more informed decisions in real-world medical settings.

Deep electrocardiogram (ECG) classifiers can achieve strong predictive performance, yet their latent evidence remains difficult to audit, and explanation pipelines can become misleading when semantic contracts or label provenance fail. In this work, we propose CARDIA-X, an electrocardiographic instantiation of the global semantic transition and rough-set rule sequence that couples a versioned 52-target semantic contract with evidence-gated class eligibility, separated primary and external branches, and end-to-end provenance controls. After correcting the compensatory-pause ratio to be nonnegative and unbounded above, patient-grouped development reconstruction achieved ratio-specific mean absolute errors of 0.2394 out of fold and 0.231 on validation. The frozen internal evaluation contained 2692 records from 1599 patients but no atrial-fibrillation-positive or atrial-flutter-positive exported labels; audit traced this to an upstream label-export discrepancy, so atrial fibrillation discrimination could not be estimated and no production rules or inference-route claims became eligible. External Lobachevsky University Database (LUDB) R-peak validation achieved an F1 score of 0.916, while single-clinician agreement on archived explanation displays reached Cohen’s kappa 0.683. CARDIA-X therefore currently supports reproducible research auditing while providing a foundation for future clinical validation, potential deployment, and evaluation of patient benefit.