深度学习系统性硬化症的分类从多站点光电显微镜信号
Sadaf Iqbal1,2, Jaume Bacardit3, Bridget Griffiths4
1Faculty of Medical Sciences, Newcastle University, Newcastle Upon Tyne, United Kingdom.
Frontiers in physiology
|October 2, 2023
概括
对光聚光学 (PPG) 波形的深度学习分析显示了识别系统性硬化症 (SSc) 的前景. 这种使用卷积神经网络 (CNN) 的AI方法在分类SSc患者方面超过了传统方法.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能在医学中的应用
- 心血管生理学心血管生理学
背景情况:
- 系统性硬化症 (SSc) 诊断可能具有挑战性,需要专门的方法.
- 摄影脉冲图 (PPG) 是一种非侵入性技术,可以测量血液体积的变化.
- 深度学习 (DL) 提供了分析PPG等复杂生理信号的潜力.
研究的目的:
- 评估一种新的深度学习方法 (DL-PPG) 用于识别系统性硬化症 (SSc) 患者.
- 评估卷积神经网络 (CNN) 在使用PPG数据对SSc进行分类时的表现.
- 将DL-PPG分类准确度与传统机器学习 (ML) 方法进行比较.
主要方法:
- 在51个对照组和20名SSc患者中,在闭塞和反应性高血症期间从6个身体部位收集了PPG记录.
- 从PPG信号中使用连续波形变换 (CWT) 来生成RGB光谱图像.
- 经过预先训练的两种CNN (GoogLeNet,EfficientNetB0) 和传统的ML模型 (LDA,KNN) 被训练并使用10倍交叉验证进行评估.
主要成果:
- 在DL-PPG分类中,EfficientNetB0获得了最高的准确度 (87.3%),灵敏度 (80.0%) 和特异性 (90.1%).
- 谷歌LeNet表现出强的表现,准确率为83.1%,灵敏度为75.0%,特异性为86.3%.
- 这两种CNN模型在分类SSc患者方面显著优于LDA和KNN等传统ML方法.
结论:
- 对多站点PPG波形的深度学习分析为SSc检测提供了一种可行的和有效的方法.
- CNNs,特别是EfficientNetB0,在使用PPG进行SSc分类的传统ML算法上表现出优异的性能.
- 开发的AI方法为SSc在各种临床环境中提供了一个潜在的低成本,便携式诊断工具.
