多中心心房电心电图 (ECG) 分类使用里埃空间卷积神经网络 (FD-CNN) 和转移学习

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 信号处理 信号处理

背景情况:

• 机器学习 (ML) 算法在心电图 (ECG) 分类中达到高精度,但由于数据的变化,在多中心部署中面临挑战.
• 转移学习 (TL) 旨在在各机构适应ML模型,但由于ECG获取 (类型,时间,采样率) 的差异,性能可能会下降.

研究的目的:

• 评估时间域 (TD) 和频域 (FD) 卷积神经网络 (CNN) 模型在机构间环境中进行心房动 (AFIB) 分类的性能.
• 评估TD和FDCNN模型与TL的稳定性,当它们应用于多样化,公开可用的ECG数据集时.

主要方法:

• 在大型 PTB-XL ECG 数据集上训练 TD 和 FD CNN 模型进行 AFIB 分类.
• 在两个独立的数据集上测试训练模型:洛巴切夫斯基大学心电图数据库 (LUDB) 和韩国大学医学中心数据库 (KURIAS).
• 应用转移学习 (TL) 来微调目标数据集的模型.

主要成果:

• 在不同机构数据集中,FD CNN模型保持了高性能 (F1得分>0.81).
• 即使在TL之后,TD CNN模型的性能在应用于新数据集时显著降低 (<0.53 F1得分),即使在TL之后.
• 与TD CNN相比,FD CNN在跨机构数据变化方面表现出优越的稳定性.

结论:

• 频域CNN为机构间的心电图分类提供了比时间域CNN更强大的方法.
• FD CNN模型显示了广泛临床应用的潜力,而不会影响不同数据源的ECG分类准确性.
• 这些发现凸显了特征提取方法 (FD与TD) 在开发可泛化的医疗保健ML模型中的重要性.