ECG-Adapt: Un nuevo marco para la clasificación robusta de electrocardiogramas en diversas poblaciones y condiciones...

Área de la Ciencia:

• Ingeniería Biomédica
• Aprendizaje Automático en Atención Médica
• Cardiología

Sus antecedentes:

• Las señales de electrocardiograma (ECG) presentan una variabilidad significativa, lo que desafía el desarrollo de modelos robustos de clasificación cardíaca.
• La degradación del rendimiento ocurre cuando los modelos de ECG entrenados en un conjunto de datos se aplican a otro debido a diferencias en las poblaciones de pacientes, dispositivos y entornos.

Objetivo del estudio:

• Mejorar la robustez y la generalización de los modelos de clasificación de ECG mediante técnicas de adaptación de dominio.
• Mitigar la degradación del rendimiento al aplicar modelos a diversos conjuntos de datos de ECG, mejorando la precisión y la fiabilidad diagnósticas.

Principales métodos:

• Exploración y avance de técnicas de adaptación de dominio no supervisada (UDA) para la clasificación de ECG.
• Introducción de ECG-Adapt, un enfoque integrado que alinea características dentro de las clases y entre dominios sin requerir agrupamiento.
• Incorporación de aprendizaje débilmente supervisado para evitar el sobreajuste del discriminador a las pseudoetiquetas, mejorando la robustez del modelo.

Principales resultados:

• ECG-Adapt demostró importantes mejoras de rendimiento en tareas de clasificación de ECG.
• El marco mejoró la puntuación F1 promedio en un 8% para problemas de ECG de derivación única y en un 7% para problemas de ECG de 12 derivaciones.
• Se observó la mitigación de la degradación del rendimiento al aplicar modelos a diferentes conjuntos de datos.

Conclusiones:

• ECG-Adapt ofrece un flujo de trabajo simplificado y una mayor robustez para la clasificación de ECG en comparación con los métodos existentes.
• El marco muestra un gran potencial para la implementación en el mundo real, mejorando la precisión y la fiabilidad diagnósticas en diversos entornos clínicos.
• Este enfoque aborda desafíos clave en la variabilidad de las señales de ECG, allanando el camino para una IA más generalizable en cardiología.