心電図（ECG）の自動認識は医療診断において重要な役割を果たしていますが、従来の深層学習モデルでは解釈性が低いという課題がありました。本研究は、医療分野における人工知能の信頼性と実用性を向上させるため、ドメイン知識を組み込んだグラフ畳み込みネットワークを提案しています。特に、心電図解釈に不可欠なP波、QRS波、T波などの主要なランドマーク点（PRQST）を明示的にドメイン知識として組み入れることで、モデルの解釈可能性を大幅に改善しました。 提案手法は双方向流のグラフ構造を採用し、空間的および時間的な関係性をそれぞれ異なるグラフで捉えています。空間的有向グラフは心電図上の各キーポイント間の位置関係を、時間的有向グラフは連続する心拍サイクル間の時間的依存関係をモデル化します。この設計により、単一の畳み込みニューラルネットワークでは見落とされやすい複雑な心電図パターンを効果的に学習することが可能になります。 中国の心電図インテリジェンス競技データセットを用いた実験では、9つのカテゴリに分類する課題において、全体のF1スコアで88.1%、特に希少疾患カテゴリではF1スコア76.3%を達成しました。これらの成績は既存の最先端モデルを上回っており、ドメイン知識の組み込みが特に希少疾患の検出性能向上に大きく貢献していることが示されました。本アプローチは、医療AI分野で解釈性と精度の両立を実現する有望な方向性を示しています。