在医学成像中对冠状动脉疾病分类进行优化轻量级架构
Akmalbek Abdusalomov1, Sanjar Mirzakhalilov2, Sabina Umirzakova1
1Department of Computer Engineering, Gachon University Sujeong-Gu, Seongnam-si 13120, Republic of Korea.
Diagnostics (Basel, Switzerland)
|February 26, 2025
概括
一个新的轻量级深度学习模型可以准确地检测运动员的冠状动脉疾病 (CAD). 这种高效的工具有助于在体育环境中早期诊断,改善高强度运动员的心血管健康结果.
科学领域:
- 心脏病学和运动医学
- 医疗保健中的人工智能
- 用于医学诊断的深度学习
背景情况:
- 冠状动脉疾病 (CAD) 的早期检测对于参加高强度运动的运动员来说至关重要,这是由于独特的心血管风险.
- 运动员,尽管心血管健康状况一般良好,但容易患有CAD,并发症如突然心脏骤停会带来严重的死亡风险.
- 现有的诊断方法可能无法优化,以满足在资源有限的环境中快速,高效地对运动员进行查的需求.
研究的目的:
- 开发和评估一种轻量级的深度学习模型,用于早期和准确地检测冠状动脉疾病 (CAD),特别是在运动员中.
- 创建一个计算效率高的模型,适合在运动员的临床和移动诊断系统中实时部署.
- 解决CAD在运动员群体中所带来的独特诊断挑战,这些运动员群体经历了强烈的体力炼.
主要方法:
- 将ResNet启发的剩余连接集成到VGG16架构中,以创建一个轻量级的深度学习模型.
- 该模型具有120万个参数和3.5GFLOP,平衡诊断准确性和计算效率.
- 用于微妙的冠状动脉损伤变异的特征提取和改进的梯度流来提高诊断性能.
主要成果:
- 拟议的轻量级模型实现了高诊断性能:准确率为90.3%,回忆率为89%,精度为90%,AUC-ROC为0.912.
- 与现有的最先进的架构相比,表现出卓越的性能.
- 该模型的效率使其适合在资源有限的临床环境中实时应用,用于运动员查.
结论:
- 一个轻量级的,基于深度学习的诊断工具显示出在运动员中有效检测CAD的巨大潜力.
- 该模型在临床使用中提供了高诊断精度和计算效率之间的有希望的平衡.
- 未来的研究应该集中在更广泛的数据集验证和提高模型可解释性,以便在现实世界中临床采用.
