基于深度学习的明显正常心电图的患者进行严重冠状动脉狭窄的查

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:

• 在正常心电图 (ECG) 的患者中,严重的冠状动脉狭窄可能难以检测.
• 这种诊断挑战可能会导致风险人群错过治疗机会.
• 常规查可能无法识别关键心血管疾病.

研究的目的:

• 开发一种有效的深度学习 (DL) 模型,以区分严重的冠状动脉狭窄症与轻度的或没有狭窄症,在呈现正常心电图的患者中.
• 用单独使用心电图数据与临床信息相结合来评估DL模型的性能.
• 为了利用转移学习,从ECG数据中提取更好的特征.

主要方法:

• 从头开始训练深度学习 (DL) 模型,并通过转移学习使用来自392名患者 (138名严重狭窄) 的心电图数据.
• 评估模型仅使用心电图数据,并与临床因素 (年龄,性别,高血压,糖尿病,脂质失调,吸烟) 结合使用.
• 使用临床数据比较DL模型性能与后勤回归.

主要成果:

• 仅使用心电图数据进行训练的DL模型显示敏感性有限 (54.5%),但特异性良好 (74.6%).
• 纳入临床数据提高了从头开始训练的DL模型的灵敏度 (90.9%),但降低了特异性 (42.3%).
• 最佳模型将临床数据与心电图转移学习模型相结合,实现AUC为0.847,灵敏度为84.8%,特异性为70.4%.

结论:

• 深度学习模型有效地识别了正常心电图的患者的严重冠状动脉狭窄.
• 转移学习通过有效地提取"深层特征"来增强心电图分析.
• 这种方法为心血管疾病的早期检测和干预提供了一个有希望的方法.