相关实验视频
Updated: Jun 7, 2026
10:53
Ultrasonic Assessment of Myocardial Microstructure
Published on: January 14, 2014
5.4K
现成的机器学习架构的性能和偏差在左下心室喷射分数检测的左下心室喷射分数检测中的性能
Jake A Bergquist1,2,3, Brian Zenger4, James Brundage4
1Scientific Computing and Imaging Institute, University of Utah, Salt Lake City, Utah.
Heart rhythm O2
|November 4, 2024
概括
现有人工智能机器学习 (AI-ML) 模型可以有效地从心电图 (ECG) 中检测左下心室喷射率 (LVEF). 然而,像种族和性别这样的患者特征可能会影响AI-ML预测的准确性,突出潜在的偏见.
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
- 医疗信息学 医疗信息学
背景情况:
- 人工智能机器学习 (AI-ML) 提供了从心电图 (ECG) 中提取临床见解的新方法.
- 许多开源AI-ML架构存在,可适应各种应用.
- 有限的研究已经探索了这些"现成"AI-ML模型在心电图分析中的实用性和局限性.
研究的目的:
- 评估易于使用的AI-ML架构对ECG分析的有效性.
- 为了确定哪些"现成"AI-ML模型适合ECG解释.
- 了解基于心电图的LVEF检测中的AI-ML方法的故障模式和潜在偏差.
主要方法:
- 应用了6个"现成"的AI-ML架构,对24868个ECG的大量队列进行了应用.
- 评估了这些模型在检测左下心室喷射率 (LVEF) 中的性能.
- 研究的患者特征与不准确的LVEF预测 (假阳性/假阴性) 相关.
主要成果:
- 所有测试的架构都实现了接收器运行特征曲线 (AUC) 下的面积在LVEF检测上高于0.9.
- ResNet 18架构表现出最高的性能,平均AUC为0.917.
- 包括种族,性别和并发症在内的患者因素与LVEF预测准确度的降低有关.
结论:
- "现成"AI-ML架构可以实现与ECG分析定制模型可比的性能.
- 该研究确定了AI-ML ECG解释中与患者特征相关的潜在偏差.
- 调查结果强调需要仔细考虑在医疗保健中部署AI-ML的效率和公平性.
