剩余注意力深度学习模型用于从Holter录音中检测心房动
Md Moklesur Rahman1, Massimo Walter Rivolta1, Martino Vaglio2
1Dipartimento di Informatica, Università degli Studi di Milano, Milan, Italy.
Journal of electrocardiology
|January 19, 2025
概括
一个新的深度学习模型有效地使用霍尔特录音检测心房动 (AF). 这种人工智能方法显示出高精度和临床使用潜力,用于诊断这种心律不规则.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 从霍尔特录音中手动检测心房动 (AF) 是复杂的,并且无法扩展.
- 深度学习 (DL) 对来自ECG的AF检测有希望,但需要进一步验证.
- 人工智能技术为识别微妙的心脏不规则提供了潜在的解决方案.
研究的目的:
- 开发一种新的残留注意力深度学习 (DL) 模型来检测心房动 (AF).
- 为了利用大量的双霍尔特录音队列用于模型开发和验证.
主要方法:
- 使用661个霍尔特记录的数据集开发了一个残留DL模型,由心脏病学家手动注释.
- 注意力机制被纳入了DL模型,以捕捉远程依赖和时间关系.
- 该模型旨在识别ECG数据中暗示AF的微妙模式.
主要成果:
- 剩余注意力DL模型实现了高性能,在内部数据集上,灵敏度 (Se) 为0.928和特异性 (Sp) 为0.915 (AUC-ROC=0.967).
- 在IRIDIA-AF数据集上的外部验证产生了强有力的结果:Se=0.942,Sp=0.932和AUC=0.965.
- 开发的DL模型在类似的实验条件下,与其他最先进的模型相比,显示出更高的性能.
结论:
- 拟议的剩余注意力DL模型为自动AF检测提供了可行和有效的解决方案.
- 对外部数据集的验证支持该模型作为决策支持工具的临床部署潜力.
- 该模型可以帮助临床医生在关于AF诊断和管理方面做出更明智的决定.
