基于可适应的异质模式多任务学习的心脏声分级和心脏病风险分析
Chenyang Xu1, Xin Li2, Xinyue Zhang1
1Department of Computer Science, Tianjin University of Technology, Tianjin, China.
Health information science and systems
|December 4, 2023
概括
本研究介绍了一种人工智能方法,用于通过多任务学习对心脏声进行分级和风险分析. 该方法通过分析心脏声音和患者数据来改善早期心血管疾病的检测,提供更好的临床见解.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 心血管疾病 (CVD) 是导致死亡的主要原因,需要改进早期检测方法.
- 目前用于心脏声音分析的AI仅限于分类,而不是分级,并且经常忽视人口统计数据,阻碍临床应用.
- 用于心脏诊断的深度学习模型往往缺乏可解释性,这给临床采用带来了挑战.
研究的目的:
- 开发一种人工智能辅助的方法,用于准确的心脏声分级和心血管疾病风险分析.
- 通过整合多任务学习来解决现有AI的局限性,以对语分级进行分类,并纳入异质数据模式.
- 增强人工智能模型的可解释性,用于心脏病学中的临床决策支持.
主要方法:
- 提出了一种分层多任务学习 (HMT) 方法,以防止心脏声检测和分级任务之间的负面干扰.
- 开发了一种异质多模式特征影响适应 (HMA) 方法,以平衡非结构化的心脏声音和结构化的人口统计数据,以预测风险.
- 实现了一个多任务解释模块,使用SHAP图形和名图来可视化关键的声音段和分离风险因素.
主要成果:
- 拟议的AI方法在CirCor DigiScope PCG数据集上的心脏声检测,分级和风险分析方面取得了最先进的性能.
- HMT和HMA方法有效地处理多任务学习和异质数据,优于现有方法.
- 可解释性模块通过可视化关键声特征和风险因素,提供了对心脏病风险的临床见解.
结论:
- 开发的AI框架为人工智能辅助的心脏声分级和风险分析提供了强大的解决方案.
- 整合多任务学习和异质数据适应可以显著提高诊断准确性和临床实用性.
- 增强的模型解释性为心血管疾病诊断中的临床决策提供了有价值的证据.
