多中心智能心脏病学信号解释使用深度半监督域适应通过最小和域不变度
Jialu Li1, Jun Li2, Chenshuo Guo1
1School of Medical Information Engineering, Guangzhou University of Chinese Medicine, Guangzhou, 510006, China.
Computer methods and programs in biomedicine
|April 6, 2024
概括
这项研究引入了一种深度半监督域适应 (DSSDA) 方法,以改善产前心电图 (CTG) 信号的智能解释. DSSDA-MMEDI方法有效地将不同来源的数据协调一致,提高胎儿健康评估,减少注释需求.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 信号处理 信号处理
背景情况:
- 心脏图谱 (CTG) 对于怀孕期间评估胎儿健康至关重要.
- 深度学习模型显示出对智能胎儿监测的希望,但需要广泛的标记数据.
- 标记CTG数据是耗时和劳动密集型的,阻碍了模型开发.
研究的目的:
- 开发一个深度半监督域适应 (DSSDA) 框架,用于在不同的数据源中解释产前CTG信号.
- 为了应对多中心研究中数据分布各异的领域转移的挑战.
- 为了使知识从数据丰富的领域转移到数据稀缺的领域,最大限度地降低注释成本.
主要方法:
- 提出了一个DSSDA框架,将最小和域不变性 (DSSDA-MMEDI) 整合起来,以减少域间差距.
- 利用GoogLeNet从CTG信号中提取特征,使用完全连接和软max层进行分类.
- 实施基于相互信息 (DGMI) 的动态梯度驱动策略,在培训期间统一各种损失功能.
主要成果:
- 对来自医疗机构和移动终端的两个数据集 (16,355 和 3,351 CTG 信号) 验证了 DSSDA 模型.
- 与没有DSSDA的模型相比,在灵敏度和F1得分方面取得了显著的改善 (超过6%).
- 与现有的最先进的DSSDA方法来解释CTG信号相比,其表现优越.
结论:
- 拟议的 DSSDA-MMEDI 框架对于调整跨域 CTG 数据是有效的.
- 能够实现多中心产前CTG信号的自动解释,使用最小的注释努力.
- 为改善智能胎儿监测系统提供了可行的解决方案.
