深度残留2D卷积神经网络用于心血管疾病分类
Haneen A Elyamani1, Mohammed A Salem2, Farid Melgani3
1Department of Mathematics, Faculty of Science, Suez Canal University, Ismailia, 44745, Egypt. hanen_yamany@science.suez.edu.eg.
Scientific reports
|September 26, 2024
概括
一种用于心电图 (ECG) 分析的新型深度学习模型在检测心血管疾病 (CVD) 中显示出高精度. 这种人工智能驱动的方法提高了诊断效率,提高了对心脏护理的可访问性.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 医学成像分析 医学成像分析
背景情况:
- 心血管疾病 (CVD) 仍然是一个重要的全球健康问题.
- 手动解读心电图 (ECG) 限制了广泛的诊断可访问性.
- 自动化的心电图分析提供了提高准确性和效率的潜力.
研究的目的:
- 实施和评估一种新的深度二维卷积神经网络 (2D-CNN) 用于使用心电图数据检测心脏疾病.
- 评估2D-CNN在不同分类复杂度 (2,5和23个心血管疾病类别) 的表现.
主要方法:
- 开发了一个深度二维卷积神经网络 (2D-CNN),并应用于PTB-XL数据集.
- 该模型经过训练和验证,可以将心血管疾病分为2,5和23个不同的类别.
主要成果:
- 2D-CNN实现了95%的曲线下面面积 (AUC) 和87.85%的健康/病人分类的平均准确性.
- 在5个类别的分类中,该模型的AUC达到93.46%和89.87%的平均精度.
- 对于23类分类,该模型显示AUC准确率为92.18%和96.88%,在同一数据集上表现优于其他方法.
结论:
- 开发的2D-CNN模型在从心电图中分类各种心血管疾病方面表现强.
- 这种人工智能驱动的方法可以帮助医疗保健专业人员进行临床心电图分析和计算机辅助诊断.
- 这些发现表明,心血管护理的可访问性和准确性可能会得到提高.
