从使用深度学习的12导电心电图进行年龄预测:在当代,自由可用的数据集上对四个模型进行比较

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 12导电心电图 (ECG) 是一种标准的临床工具.
• 深度学习模型可以识别与患者人口统计学相关的微妙心电图特征,如年龄和性别.
• 之前的研究为此目的开发了模型,但缺乏直接比较.

研究的目的:

• 实施并比较四种不同的深度学习模型的性能,用于从12个导向心电图数据中预测年龄和性别.
• 用一个共同的,开放的数据集来评估这些模型,以促进客观的绩效评估.

主要方法:

• 四种深度学习模型 (三种已发表,一种未发表) 用于使用12心电图进行年龄和性别预测.
• 模型在一个开放访问数据集上进行了训练和评估,包括最终绩效指标的保留集.
• 用年龄和接受器运行特征曲线 (AUC) 下的区域的平均绝对误差 (MAE) 来评估性能.

主要成果:

• 所有实施的模型都在培训期间成功融合.
• 在预测年龄方面,表现最好的模型在保留组中实现了8.06年的平均绝对误差.
• 对性别预测的最佳模型表明,在持有套件上,接收器操作曲线下的面积为0.92.

结论:

• 本研究提供了不同深度学习模型的比较分析,用于ECG的人口预测.
• 这些发现突出了AI在从常规心电图中提取临床相关的,非明显的信息方面的潜力.
• 模型之间的性能差异表明需要进一步研究和模型优化用于临床应用.