半监督学习多标签心血管疾病预测:一个多数据集研究

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:

• 电心电图 (ECG) 对非侵入性心血管疾病 (CVD) 的预测至关重要.
• 深度学习模型对基于心电图的心血管疾病诊断有希望,但面临着诸如有限的标记数据和多种疾病的同时发生等挑战.
• 目前的模型在未见的数据集上表现不佳,阻碍了广泛的临床应用.

研究的目的:

• 开发一个统一的深度学习框架,用于使用有限监督的多标签CVD预测.
• 为了解决标签稀缺性,多种疾病的同时发生,以及在基于心电图的诊断中对未见的数据集的不良概括性.

主要方法:

• 建议ECGMatch,一个多标签的半监督模型,包含一个ECGAugment模块用于数据增强.
• 实施了一个超参数高效的框架,与邻居协议和知识蒸用于伪标签生成和改进.
• 引入了标签相关性对齐模块,以捕获和传播CVD之间的共发生信息.

主要成果:

• 在四个数据集和三个协议中证明了ECGMatch的有效性和稳定性.
• 实现了强大的性能,特别是在未见的数据集上,优于现有方法.
• 成功地缓解了标签稀缺问题,并捕获了多标签CVD信息.

结论:

• ECGMatch为多标签CVD预测提供了一个有前途的解决方案,监管有限.
• 该模型处理标签稀缺性和对新数据进行概括的能力为更可靠的诊断系统铺平了道路.
• 这一框架可以显著推进AI在复杂心血管疾病的临床心电图解释中的应用.