集体学习心肌位移用于心肌梗塞检测在心声回声学

科学领域:

• 医学成像分析分析 医学成像分析
• 心脏病学中的人工智能
• 深度学习用于疾病检测和检测.

背景情况:

• 早期发现心肌梗塞 (MI) 对于减少心脏损伤至关重要.
• 深度学习显示出在心声回声图中检测心脏病发作的前景.
• 目前使用单个细分模型的方法缺乏对细分精度对MI分类的影响的调查.

研究的目的:

• 为了研究细分精度和MI分类性能之间的关系.
• 引入组合学习方法,将多个细分模型的特征结合起来,以改进MI分类.
• 为了提高心声图像中心脏病发作检测的准确性和稳定性.

主要方法:

• 开发了一种新的方法,将多个细分模型中的心肌段位移特征结合起来.
• 将组合特征输入到MI风险估计分类器中.
• 验证了用于培训/验证的HMC-QU数据集和用于独立测试的电子医院数据集的方法.

主要成果:

• 在HMC-QU数据集上获得F1得分为0.942,准确度为91.4%,灵敏度为94.1%,特异性为88.3%.
• 在HMC-QU数据集上表现优于基于特征的最新方法.
• 在外部验证集上表现出强的表现,F1得分为0.8,准确度为76.7%,灵敏度为77.8%,特异性为75.0%.

结论:

• 通过整合来自多个细分模型的信息,精确预测心声图中的MI.
• 突出了集体学习在改善心脏病发作检测方面的潜力.
• 建议进一步研究临床整合作为客观评估工具.