使用双输入混合神经网络与心电图着色技术在鼻节律期间识别心房动的存在
Wei-Wen Chen1, Chih-Min Liu2,3, Chien-Chao Tseng1
1Institute of Computer Science and Engineering, National Yang Ming Chiao Tung University, Hsinchu, Taiwan.
BMC medical research methodology
|December 23, 2024
概括
一种新的深度学习模型通过色化将心房电图与人口统计数据相结合,增强了心房动 (AF) 的检测. 这种人工智能方法提高了诊断准确度,并预测了心血管风险,帮助早期干预.
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:
- 未被检测到的心房动 (AF) 显著增加了中风和死亡风险.
- 由于间歇性心律失常发作,实时AF诊断具有挑战性.
- 深度学习提供了一种潜在的解决方案,用于在无心律失常期间检测AF.
研究的目的:
- 开发和评估一种深度学习模型,用于增强心房 (AF) 检测.
- 用一种新的色化技术整合临床和心电图 (ECG) 数据.
- 通过将心电图像与人口数据合并来提高AF检测的准确性.
主要方法:
- 为了将人口统计数据与心电图像相结合,采用了一种新的色化技术.
- 一个双输入混合神经网络 (DMNN) 设计用于处理人口统计和图像数据.
- 为了确保可靠性,对培训,验证和测试集进行了严格的数据分离.
主要成果:
- 拟议的AI模型实现了83.4%的AUC,超过了传统的CNN (75.8%AUC).
- 观察到显著的性能改善,包括精度增加11.3%,F1分数增加25.1%.
- 人工智能预测的AF状态与心血管和全因死亡率的增加相关,证明了临床效用.
结论:
- 结合深度学习和人口统计数据的电脑心电图色调,可以增强AF检测.
- 人工智能模型有效地识别了AF相关结果的高风险和低风险人群.
- 这种方法为未来的AF研究和临床应用提供了有价值的功能.
