用信号引导的多任务学习来分类心肌梗塞,使用心电图的图像
Bo Eun Park1,2, Byungeun Shon3,4, Jungrae Cho4
1Department of Internal Medicine, Kyungpook National University Hospital, Daegu, Republic of Korea.
Cardiology
|November 6, 2024
概括
一个新的深度学习 (DL) 算法从心电图 (ECG) 图像中准确识别心肌梗塞 (MI). 这种人工智能工具显著提高了医生解释心电图的诊断准确性,有助于快速诊断心脏病发作.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 电心电图 (ECG) 解释用于心肌梗塞 (MI) 诊断是具有挑战性的.
- 在临床实践中,准确和快速的MI诊断至关重要.
- 开发先进的MI诊断工具至关重要.
研究的目的:
- 开发一个深度学习 (DL) 算法来区分MI和非MI心电图.
- 利用信号引导的多任务学习方法来增强心电图解释.
- 在临床环境中评估DL算法的性能.
主要方法:
- 通过使用信号引导多任务学习框架,对11,227张心电图像进行了DL模型的训练.
- 该算法是建立在之前的单任务DL模型上.
- 通过让51名医生用和没有人工智能辅助来解释心电图来评估DL模型对诊断准确性的影响.
主要成果:
- DL算法实现了高性能指标:准确率为90.56%,灵敏度为83.82%,特异性为93.02%,精度为81.44%,F1得分为82.61%.
- 医生在心电图解释中的准确性从DL协助的中位数62%提高到68%.
- 在内部医学实习生和专家中都观察到显著的准确性增长,并且该算法改善了STEMI和NSTEMI病例的解释.
结论:
- 信号引导的多任务DL算法在区分MI ECG方面明显优于以前的单任务模型.
- 该DL算法作为一个有价值的决策支持工具,为医生诊断MI.
- 通过DL算法提供的诊断改进在STEMI和NSTEMI子组之间是一致的.
