用深度学习技术划定内电图以自动量化冠状动脉鼻中衰减引起的潜能

科学领域:

• 心血管电生理学 心血管电生理学
• 人工智能在医学中的应用
• 信号处理 信号处理

背景情况:

• 心律不整包括心肌脱极化不均,导致潜在的延迟更快的心率.
• 精确地定位心电图 (EGM) 组件对于识别递减唤起潜能 (DEEP) 至关重要.
• 目前的诊断软件缺乏自动信号量化,需要电生理学家手动进行EGM分析.

研究的目的:

• 开发一种深度学习 (DL) 算法,用于在心房EGM中自动识别下降导电.
• 通过EGM信号分析,区分辅助通路 (AP) 和心回流性心动脉动 (AVRT) 之间.
• 为量化本地EGM组件提供自动化工具,减少手动测量负担.

主要方法:

• 训练有素的U-Net和W-Net神经网络在一个私人数据集上记录了冠状动脉鼻EGM记录,这些记录来自接受AP或AVRT切除的患者.
• 开发了一种合成数据增强方法,以解决数据稀缺问题.
• 整合了新的损失功能,以最大限度地减少假负和划线错误,探索自我注意力机制.

主要成果:

• 性能最好的W-Net模型实现了高精度和回忆,用于定位局部场,远场激活和额外刺激.
• 临床验证显示与专家电生理学家的良好协议,具有高灵敏度和特异性,用于自动排除和分类的下降潜力.
• DL模型在划分EGM记录中的所有本地组件方面表现出卓越的性能.

结论:

• 开发的DL算法是EGM信号中所有本地组件的自动划分的第一个工具.
• 这种自动化方法有望通过提高诊断准确性和减少干预时间来推进心脏电生理学程序.
• 该算法有效地帮助区分AP和AVRT,为临床应用提供了显著的潜力.