Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关实验视频

Updated: May 31, 2025

Brain Infarct Segmentation and Registration on MRI or CT for Lesion-symptom Mapping
10:25

Brain Infarct Segmentation and Registration on MRI or CT for Lesion-symptom Mapping

Published on: September 25, 2019

47.8K

领导分组的多阶段学习用于心肌梗塞局部化.

Lin Guo1, Qianyun Zhan1, Jichao Yang2

  • 1Big Data Institute, Central South University, Changsha, 410083, China.

Methods (San Diego, Calif.)
|January 23, 2025
PubMed
概括

这项研究引入了一种基于知识的新方法,用于使用心电图 (ECG) 定位心肌梗塞 (MI). 该方法通过将临床知识整合到心电图分析中来提高诊断准确性,从而改善患者的治疗结果.

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Robust Post-Processing for Marine GNSS/INS Integration: An Adaptive RTS Smoothing Approach via Huber M-Estimation.

Sensors (Basel, Switzerland)·2026
Same author

Co-application of biochar and hydroxyapatite suppresses lead accumulation in rice via a soil-plant-microbe cascade.

Scientific reports·2026
Same author

Non-invasive Multimodal Cardiovascular Disease Detection Method Based on Comprehensive View Analysis.

Journal of imaging informatics in medicine·2026
Same author

Iron drives protease-independent cleavage of gasdermin D in allergic airway diseases.

Cell·2026
Same author

Small interfering RNA-mediated silencing of mutant NPM1 suppresses acute myeloid leukemia via reversing KAT7 and p300-mediated histone acetylation.

Leukemia·2026
Same author

Luteolin inhibits IL-33/ST2L-induced M2 macrophage polarization in endometriosis.

Molecular immunology·2026

科学领域:

  • 心脏病学 心脏病学
  • 医疗成像医学成像
  • 人工智能的人工智能

背景情况:

  • 电心电图 (ECG) 对于诊断心肌梗塞 (MI) 至关重要,但当前的分析方法往往忽视了多线心电图中的关键临床知识和空间关系.
  • 由于特征提取和空间关系利用的局限性,现有的模型难以全面理解和准确地定位MI.

研究的目的:

  • 开发一种以知识为导向的方法,以提高心肌梗塞 (MI) 的精度和定位,使用12导电心电图 (ECG).
  • 通过结合临床诊断知识和增强空间特征学习来解决当前ECG分析模型的局限性.

主要方法:

  • 一个基于知识的重叠的领先分组策略,基于MI局部化临床相关性.
  • 一个多阶段的深度学习网络,包含卷积层,SE增强的多尺度残余块和定位变压器块.
  • 一个分支级加权的特征集成机制,以有效地融合多线程心电图数据.

主要成果:

  • 拟议的方法在PTB-XL数据集上的心肌梗塞 (MI) 局部化任务中实现了超过80%的预测准确度.
  • 与基于心电图的MI诊断现有的最先进方法相比,在各种指标上取得了显著的改进.
  • 验证了基于知识的方法和多阶段学习网络在分析复杂的心电图谱模式中的有效性.
关键词:
这是一个ECGECGECGECGECG.肌痛性心脏病的本地化 MI 的本地化医学知识 医学知识多阶段学习网络多阶段学习网络

更多相关视频

3D Whole-heart Myocardial Tissue Analysis
06:53

3D Whole-heart Myocardial Tissue Analysis

Published on: April 12, 2017

8.7K

相关实验视频

Last Updated: May 31, 2025

Brain Infarct Segmentation and Registration on MRI or CT for Lesion-symptom Mapping
10:25

Brain Infarct Segmentation and Registration on MRI or CT for Lesion-symptom Mapping

Published on: September 25, 2019

47.8K
3D Whole-heart Myocardial Tissue Analysis
06:53

3D Whole-heart Myocardial Tissue Analysis

Published on: April 12, 2017

8.7K

结论:

  • 开发的以知识为导向的重叠领先分组和多阶段学习网络显著提高了心肌梗塞 (MI) 定位从ECG的准确性.
  • 这种方法为自动化心电图分析提供了有希望的进步,可能导致更及时,更准确的心血管疾病诊断.
  • 这些发现强调了将医学知识整合到人工智能模型中的重要性,以改善心脏病学中的临床决策.