一种可解释的集体树方法,用于对心肌梗塞检测的静态和动态特征的联合分析
Chunmiao Liang1, Qinghua Sun1,2, Jiali Li1
1School of Control Science and Engineering, Shandong University, Jinan 250061, People's Republic of China.
Physiological measurement
|July 18, 2024
概括
本研究引入了一种人工智能方法,将静态和动态心电图特征结合起来,以准确检测心肌梗塞 (MI). 新的StackTree方法提高了解释性,并实现了高准确性,超过了传统的单一特征方法.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 生物医学信号处理
背景情况:
- 人工智能 (AI) 方法越来越多地应用于心电图 (ECG) 分析以检测心肌梗塞 (MI).
- 现有的AI-ECG方法往往侧重于静态特征,忽视了对静态和动态心电图特征的联合分析,以提高MI检测准确性和可解释性.
- 需要综合整合静态和动态心电图特征的综合方法,以进行可靠和易于理解的心脏病发作诊断.
研究的目的:
- 通过共同分析静态和动态心电图特征,开发一种基于人工智能的方法,用于准确和可解释的心肌梗塞 (MI) 检测.
- 引入一个简化的组合树方法,StackTree,它包含一个两阶段的特征选择和一个堆叠的组合方案,用于增强MI检测.
- 用公共和临床心电图数据库来评估拟议方法的性能和可解释性.
主要方法:
- 通过动态学习模拟的经典静态心电图特征和动态特征的提取.
- 实施一个两阶段的特征选择策略,以确定组合树结构的重要静态和动态特征.
- 开发了StackTree方法,一种简化的集合树方法,用于可解释的MI分类.
主要成果:
- 拟议的方法在PTB数据库中达到97.1%的准确性,在临床数据库中达到84.5%,超过了传统的单一特征方法.
- 该算法表现出与传统的随机森林方法相当的性能,同时提供了增强的解释性.
- 选择的重要特征证实了静态和动态心电图信息在MI检测中的关键作用.
结论:
- 使用拟议的简化组合树方法 (StackTree) 对静态和动态心电图特征的联合分析显著提高了MI检测的准确性和可解释性.
- StackTree 方法提供了对其内部工作的清晰,可视化的理解,促进了临床采用.
- 这种方法代表了人工智能驱动的心血管诊断的有希望的进步.
