知识驱动的图形表示学习用于心肌梗塞局部化

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 电心电图 (ECG) 对于心肌梗塞 (MI) 局部化至关重要.
• 目前用于MI定位的深度学习方法是数据驱动的,在罕见的MI病例中限制了性能.
• 整合先前的医学知识可以提高深度学习模型的准确性.

研究的目的:

• 开发一个以知识为导向的图形表示学习 (KD-GRL) 框架,以改善MI本地化.
• 用综合医学知识指导深度学习模型识别关键MI本地化特征.
• 通过知识增强的方法,提高罕见心脏病发作病例的检测.

主要方法:

• 构建了一个MI本地化知识图 (KG),整合了ECG线索,形态,诊断规则和人口统计数据.
• 利用并行患者多功能提取器来获得实体嵌入.
• 使用边缘关系投影 (ERP) 方法进行KG聚合.
• 框架MI本地化作为一个链接预测任务在KG.

主要成果:

• 在PTB数据集上达到48.90%的F1分数,在PTBXL数据集上达到46.06%.
• 在两种公共数据集上都超过了传统的数据驱动方法.
• 在局部化罕见的MI病例中表现出卓越的性能,这是由于诊断知识的整合.

结论:

• 通过结合医学知识,KD-GRL框架有效地提高了MI定位的准确性.
• 这种以知识为导向的方法增强了对MI诊断的关键特征的识别.
• 该方法显示了改善罕见MI亚型的临床诊断的巨大潜力.