评估基于深度学习的自动心房动算法的通用性
概括
一种用于自动检测心房动 (AF) 的新型混合深度学习模型,从心电图 (ECG) 痕迹中显示出可接受的概括性. 重新训练模型显著提高了临床使用的准确性.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 从心电图 (ECG) 中自动检测心房动 (AF) 对中风后远程监测至关重要.
- 现有的深度学习 (DL) 算法在不同数据集和设备的概括性方面面临挑战.
- 准确的AF检测需要对正常鼻节律 (NSR),AF,其他节律 (OR) 和噪音 (TN) 电图记录进行强有力的分类.
研究的目的:
- 开发和评估用于自动化心电图分类的混合深度学习 (HDL) 模型.
- 在使用手持式心电图装置收集的新型数据集上评估HDL模型的概括性.
- 为了确定重新训练对模型性能和准确性的影响.
主要方法:
- 开发了一个新的混合深度学习 (HDL) 模型,利用PhysioNet/CinC挑战2017数据集.
- 分类的心电图记录分为四类:NSR,AF,OR和TN.
- 在使用CONTEC PM10便携式心电图监视器对来自102名门诊和住院患者的636个心电图样本进行了预训练的HDL模型的测试.
- 在新收集的数据集上重新训练了HDL模型,使用5倍交叉验证.
主要成果:
- 在2017年PhysioNet/CinC挑战数据集中,高亮度模型在F1测试中平均得分为0.892.
- 在新收集的数据集上,预训练的HDL模型获得了0.722的F1平均得分 (AF:0.905,NSR:0.791,OR:0.471,TN:0.342).
- 在对新数据集进行重新训练后,平均F1分数显著增加到0.961.
结论:
- 开发的基于HDL的算法证明了可接受的AF检测从短期单线心电图痕迹的可接受通用性.
- 用新的,特定的数据集参数重新训练HDL模型,大大提高了其准确性和临床适用性.
- 这些发现支持在远程监控中使用DL模型来检测AF,重点是针对数据集的微调.
