在没有CAG的情况下自动检测MI-MS ConvMixer + WSSE的NSTEMI患者的主要冠状动脉封闭
Mehmet Cagri Goktekin1, Evrim Gul1, Tolga Çakmak2
1Emergency Medicine Department, School of Medicine, Firat University, Elazig 23119, Turkey.
一个新的深度学习模型,MI-MS ConvMixer,使用心电图数据准确地检测非ST段升高心肌梗塞 (NSTEMI) 患者的冠状动脉阻塞. 这种方法为自动诊断提供了一个有希望的工具,改善了患者的治疗结果.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 心脏病发作是全球主要的死亡原因,非ST段升高心肌梗塞 (NSTEMI) 构成长期风险.
- 在NSTEMI患者中检测冠状动脉阻塞仅通过心电图是具有挑战性的,通常需要侵入性冠状动脉血管学 (CAG).
- 对于老年患者和患有慢性疾病的患者来说,CAG存在风险,这凸显了对非侵入性诊断替代方案的需求.
研究的目的:
- 开发一种新的深度学习方法,用于在NSTEMI患者中自动检测堵塞冠状动脉.
- 为培训和验证,创建和利用由专家心脏病学家策划的新一套七类心电图信号数据集.
- 提高诊断准确度,减少对NSTEMI患者侵入性手术的依赖.
主要方法:
- 开发一个多输入多尺度 (MI-MS) ConvMixer 模型,能够同时处理 12 个频道的 ECG 数据.
- MI-MS ConvMixer架构有效地突出显示各种规模的数据区域,优化特征提取而不增加模型复杂性.
- 实施权重支向量机 (WSSE) 算法,以根据特征重要性权重来改进基于特征重要性权重的分类预测.
主要成果:
- 结合WSSE算法,MI-MS ConvMixer模型在分类冠状动脉阻塞方面实现了88.72%的诊断准确率.
- 通过WSSE算法,支持矢量机 (SVM) 分类器的性能得到了改善.
- 从深度学习模型中提取的特征得到了有效的分类,证明了模型的预测能力.
结论:
- MI-MS ConvMixer模型显示了在诊断冠状动脉疾病时推进心电图信号分类的巨大潜力.
- 这种深度学习方法为临床环境中的实时自动化分析提供了有前途的工具,有助于NSTEMI患者管理.
- 该模型的高灵敏度,特异性和精度表明它有能力大幅改善诊断结果.
更多相关视频
13:07Optical Coherence Tomography Based Biomechanical Fluid-Structure Interaction Analysis of Coronary Atherosclerosis Progression
Published on: January 15, 2022
08:35Oxygenation-sensitive Cardiac MRI with Vasoactive Breathing Maneuvers for the Non-invasive Assessment of Coronary Microvascular Dysfunction
Published on: August 17, 2022
相关概念视频
Imaging Studies for Cardiovascular System V: CT
Imaging Studies for Cardiovascular System VI: Calcium -Scoring CT
Acute Coronary Syndrome I: Introduction
Acute Coronary Syndrome III: Diagnostic Studies
