睡眠ECG-Net:可用心电图解释的深度学习方法,用于儿童睡眠呼吸暂停诊断

科学领域:

• 心脏病学 心脏病学
• 儿科 儿科 儿科
• 人工智能的人工智能

背景情况:

• 阻塞性睡眠呼吸暂停 (OSA) 在儿童中很常见,与心脏问题有关.
• 目前通过多睡眠法进行诊断是复杂和难以接近的,导致诊断不足.
• 现有的OSA深度学习 (DL) 模型缺乏可解释性.

研究的目的:

• 引入一个可解释的DL模型,SleepECG-Net,用于估计儿科OSA的严重程度.
• 使用可解释AI (XAI) 识别与OSA和心血管风险相关的ECG模式.
• 提高临床信心和采用自动诊断系统.

主要方法:

• 从三个儿科数据库 (CHAT,CFS,UofC) 的夜间心电图信号上训练了一个CNN-RNN模型.
• 应用Grad-CAM (XAI) 来解释模型决策并提取相关的心电图特征.
• 通过使用4级科恩的卡帕评估诊断性能.

主要成果:

• 睡眠ECG-Net实现了0.410 (CHAT),0.335 (UofC) 和0.249 (CFS) 的诊断性能 (科恩的卡帕).
• 模型性能与OSA严重程度和心血管风险相关.
• XAI确定了已知与OSA相关的ECG模式和潜在的心血管风险指标 (例如QT间隔变化).

结论:

• 睡眠ECG-Net提供了一种可解释的方法来诊断儿科OSA严重程度的ECG.
• 该模型提供了有价值的心脏风险信息,有可能改善诊断和管理.
• 这种可解释的AI方法可以增加临床医生的信任,并促进自动化系统的临床集成.