基于多尺度LSTM网络的胎儿心率自动分类
Lin Rao1,2, Jia Lu1,2, Hai-Rong Wu3
1International Peace Maternity and Child Health Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China.
Frontiers in physiology
|June 27, 2024
概括
一个新的多尺度LSTM人工智能模型准确地分类了分娩期间的胎儿心率模式,改进了现有的方法. 这种人工智能工具支持产科医生诊断胎儿心率异常,增强患者护理.
科学领域:
- 医疗保健中的人工智能
- 医疗信号处理 医疗信号处理
- 产科和妇科 产科和妇科
背景情况:
- 在分娩期间监测胎儿心率对于识别痛苦至关重要.
- 对胎儿心率模式的解释面临挑战,原因是指导方针的差异和人为错误.
- 人工智能 (AI) 提供了一个潜在的解决方案,以帮助准确诊断胎儿心率异常.
研究的目的:
- 开发和评估用于自动化胎儿心率分类的多尺度长短期记忆 (LSTM) 神经网络.
- 将多尺度LSTM模型与传统LSTM模型的性能进行比较.
- 调查不同采样率对分类准确性的影响.
主要方法:
- 使用预处理技术来处理缺失的信号和工件.
- 数据增强被用来解决阶级不平衡问题.
- 在时间序列的胎儿心率数据上训练了一个多尺度的LSTM神经网络进行分类.
主要成果:
- 与常规LSTM模型相比,多尺度LSTM模型表现出优越的性能.
- 采用10 Hz采样速率的模型在CTU-UHB数据集中获得了最高的准确度 (85.73%),特异性 (85.32%) 和精度 (85.53%).
- 该模型实现了0.918的接收器操作曲线下的面积 (AUC),表明了高的诊断可信度.
结论:
- 开发的多尺度LSTM模型显示了准确的自动化胎儿心率分类的巨大潜力.
- 采用不同的抽样率改善了整体性能指标,包括精度,特异性和AUC.
- 进一步的研究应该考虑临床特征和妊娠年龄,以提高模型的概括性.
