引导每个线索的潜伏:一种新的方法,用于自主监督学习多线索心电图

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 电心电图 (ECG) 对于诊断心血管疾病 (CVD) 是至关重要的.
• 深度学习模型显示出自动ECG分析的前景,但需要广泛的手动标签.
• 手动心电图标签耗时且昂贵,阻碍了模型开发.

研究的目的:

• 引入一种新的自主监督学习 (SSL) 方法,称为"引导每个的潜伏" (BELL),用于多心电图分析.
• 为了减少对手工标记的ECG数据的依赖,用于训练深度学习模型.
• 提高深度学习模型在各种下游任务中的性能,特别是有限的培训数据.

主要方法:

• 贝尔是启动你自己的潜伏 (BYOL) 的一种变体,适用于多层心电图.
• 它采用多分支架构来有效处理多层心电图数据.
• 预训练使用无负对的内部和内部平均平方误差 (MSE) 损失函数,提高效率.

主要成果:

• 在实验评估中,BELL的表现优于以前的方法.
• 在下游任务中,使用BELL的培训提高了模型性能0.69%8.89%,仅使用了10%的可用培训数据.
• 该方法表现出强大的适应性,未经理,现实世界的医院心电图数据与最小的性能退化 (<1%).

结论:

• 贝尔有效地减轻了对手动心电图标签的依赖,解决了当前深度学习应用中的一个关键瓶.
• 这种方法促进了深度学习在自动ECG分析中的更广泛应用.
• 贝尔可以帮助减少临床环境中的心脏病专家的诊断负担.