通过自我监督学习和变压器架构在单导电心电图中对心房和的自动细分
Donghwan Yun1,2, Hyun-Lim Yang3,4, Soonil Kwon5
1Division of Nephrology, Department of Internal Medicine, Seoul National University College of Medicine, Seoul, Republic of Korea.
Journal of the American Medical Informatics Association : JAMIA
|November 10, 2023
概括
一个新的深度学习模型使用心电图 (ECG) 上的自我监督学习准确地检测心房动和动 (AF/AFL). 这一进步有助于预防中风和有效管理心脏病.
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
- 心脏病学 心脏病学
背景情况:
- 检测心房动和动 (AF/AFL) 对于预防中风和血液动力学稳定至关重要.
- 现有的AF/AFL检测方法需要改进.
研究的目的:
- 开发和评估基于变压器的深度学习模型,用于单线ECG中的AF/AFL细分.
- 利用自我监督学习与蒙面信号建模 (MSM) 来增强模型预训练.
主要方法:
- 为AF/AFL细分而开发了一个Transformer深度学习模型.
- 该模型使用自主监督学习与掩盖信号建模 (MSM) 在来自11个开源PhysioNet数据库的ECG数据上进行了预训练.
- 该模型为AF/AFL预测进行了微调,并在内射分析心电图上进行了验证.
主要成果:
- 该模型在交叉数据库验证中实现了AF/AFL细分 (0.9254) 和其他细分任务 (0.9477) 的高交叉与欧盟 (IOU) 值.
- 内部分析心电图的外部验证显示出优异的表现,AF/AFL的IU为0.9896,非AF/AFL的IU为0.9650.
- 与MSM的训练和适当的掩盖比率显著促进了模型的性能.
结论:
- 开发的基于变压器的深度学习模型在使用自主监督学习对AF/AFL进行细分方面表现强.
- 这种方法为在临床环境中自动和准确的AF/AFL检测提供了一个有前途的工具.
