边缘人工智能模型部署用于实时检测在鼻节律期间心房动风险

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 医疗器械 医疗器械

背景情况:

• 心房动 (AF) 是中风和过早死亡的重要危险因素.
• 在鼻节律 (SR) 期间早期发现AF风险对于及时干预至关重要.
• 现有的诊断工具可能在实时,设备上的风险评估方面存在局限性.

研究的目的:

• 开发和部署基于深度学习的边缘AI模型,用于实时AF风险检测.
• 在SR期间使用标准的10秒,12导电心电图进行AF风险评估.
• 为了在资源有限的心电图 (ECG) 设备上实现部署.

主要方法:

• 一种新的方法将12导电图转换为二进制图像,用于轻量级卷积神经网络 (CNN) 模型.
• 美国有线电视新闻网的模型是通过日本医学和研究发展机构 (AMED) (2019-2022) 收集的数据集进行训练的.
• 内部和外部测试数据集被用来验证模型的性能,与心脏病专家监督数据标签.

主要成果:

• 性能最好的模型实现了0.82 (内部) 和0.80 (外部) 的曲线下面积 (AUC).
• 在内部和外部测试中,灵敏度,特异性,精度和准确度在72.3%至79.5%之间.
• 部署的模型和应用程序包需要最小的设备资源 (2.5 MB ROM,40 MB RAM),处理时间约为2秒.

结论:

• 开发的AI模型表现出与现有方法可比的性能,同时被优化为边缘ECG设备.
• 在资源有限的设备上成功部署扩大了在各种医疗保健环境中广泛,实时的AF风险查的潜力.
• 通过在SR期间检测AF风险,使得及时干预成为可能,从而有可能防止诸如中风和过早死亡等严重后果.