对比预训练在临床前模型中改善了内心电图的深度学习分类
Bram Hunt1,2,3, Eugene Kwan1,2,3, Jake Bergquist1,2,4
1Department of Biomedical Engineering, University of Utah, Salt Lake City, Utah.
Heart rhythm O2
|May 5, 2025
概括
机器学习模型的无监督预训练显著改善了持续性心房动 (AF) 电图中司机的检测. 这种方法提高了识别AF机制的准确性和数据效率.
科学领域:
- 计算电生理学 计算电生理学
- 机器学习在医学中的应用
- 心脏电生理学心脏电生理学
背景情况:
- 持久性心房动 (AF) 是由旋转器和焦点外皮驱动的.
- 机器学习 (ML) 模型可以识别这些驱动因素,但受到小数据集的限制.
- 开发准确的ML模型用于AF驱动器检测对于理解和治疗这种情况至关重要.
研究的目的:
- 提高ML算法的准确性,以检测持续AF中的司机.
- 在大型未标记的电图数据集上调查无监督预训练的有效性.
- 通过转移学习来提高驾驶员检测模型的性能.
主要方法:
- 基于SimCLR的框架被用于未经监督的预训练残余神经网络.
- 该网络在113,000个未标记的狗AF电图上进行了预训练.
- 预先训练的网络为驾驶员检测进行了微调,并使用各种数据增强技术进行了验证.
主要成果:
- 预训显著提高了驾驶员检测准确度,从62.5%提高到80.8%.
- 预训练模型保持了高精度,即使训练数据减少了30%.
- 梯度加权类激活映射证实了该模型的注意力与已知的驾驶员区域保持一致.
结论:
- 对比预训练提高了AF驾驶员检测算法的准确性和稳定性.
- 转移学习显示出改善临床电生理学中基于电图的分析的前景.
- 这种方法为诊断和管理AF提供了更有效的ML应用的途径.
