鉴定多变或扩张性心肌病:基于心电图像的微调ResNet50模型的开发和验证
Jiayu Xu1, Bo Chen2, Weiyang Liu1
1Graduate School, Chinese People's Liberation Army General Hospital, Beijing 100853, China.
Bioengineering (Basel, Switzerland)
|March 28, 2025
概括
一种新型的深度学习模型可以使用标准心电图 (ECG) 图像识别缩性心肌病 (HCM) 和扩张性心肌病 (DCM). 这种人工智能工具显示出对这些心脏病的廉价和早期检测有希望.
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:
- 过高心肌病 (HCM) 和扩大心肌病 (DCM) 缺乏成熟的非侵入性诊断工具.
- 早期和准确检测HCM和DCM对于患者的管理和结果至关重要.
研究的目的:
- 开发和验证一种深度学习模型,用于使用12导电心电图 (ECG) 图像识别HCM和DCM.
- 评估模型的性能,并确定为预测做出贡献的关键ECG区域.
主要方法:
- 一个ResNet50深度学习架构使用2849个心电图像 (171个HCM,364个DCM,2314个控制) 进行了微调.
- 用分层的五重交叉验证来进行强大的模型培训和测试.
- 梯度加权类激活映射 (Grad-CAM) 用于模型解释性.
主要成果:
- 该模型在区分DCM (AUROC 0.996,AUPRC 0.940) 和HCM (AUROC 0.980,AUPRC 0.953) 方面取得了很高的准确性.
- 时间验证证实了模型的前景稳定性.
- 格拉德-CAM分析突出显示,前和前带对于预测至关重要.
结论:
- 一个微调的ResNet50模型有效地从标准ECG中识别HCM和DCM.
- 这种由人工智能驱动的方法为早期检测这些心肌病提供了一个有希望的,具有成本效益的方法.
- 该模型的可解释性为HCM和DCM的ECG标记提供了洞察力.


