机器学习心内电图的可行性,以预测心脏病发作后心室痕拓
Kasun De Silva1,2, Timothy Campbell1,2, Richard G Bennett1,2
1Department of Cardiology, Westmead Hospital, Sydney, New South Wales, Australia (K.D.S., T.C., R.G.B., S.T., A.B., D.S., Y.K., C.-J.H., J.J.H.C., E.K., S.K.).
Circulation. Arrhythmia and electrophysiology
|June 13, 2025
概括
使用电图的计算分析,可以准确地识别室腔心动脉缩的痕图案. 一个卷积神经网络显著提高了从心内电图的痕分类准确度.
科学领域:
- 心血管电生理学 心血管电生理学
- 计算生物学 计算生物学
- 医疗成像医学成像
背景情况:
- 准确的痕划线对于指导心室动脉冲动脉导管切除至关重要.
- 痕模式和分布影响了切除成功.
- 需要新的方法来准确识别痕组织.
研究的目的:
- 为了确定是否可以从心内电图中识别痕模式,使用计算信号处理.
- 调查卷积神经网络是否可以提高痕分类的准确性.
- 为了将电图数据与组织学痕模式相关联.
主要方法:
- 采用了患有腹梗塞的绵羊模型.
- 创建了心脏病发作后痕的组织学模型,并与电解剖学绘图共同注册.
- 用信号处理功能和卷积神经网络 (InceptionTime) 分析心内电图 (双极和单极).
主要成果:
- 单独的双极和单极电压是很差的痕分类器.
- 来自双极电图的信号处理特征在没有痕的情况下达到0.815的AUC,而在其他痕类型中则更低.
- 在单极电图上训练的卷积神经网络实现了高AUC (高达0.977) 和准确度 (高达0.959) 的痕模式分类.
结论:
- 单极电图的卷积神经网络分析为痕模式的确定提供了出色的预测价值.
- 对电图数据的先进计算分析对于改善心律失常现场识别至关重要.
- 这种方法有助于增强腹腔动脉冲心率减退指导.
更多相关视频
06:57Ablation of Ischemic Ventricular Tachycardia Using a Multipolar Catheter and 3-dimensional Mapping System for High-density Electro-anatomical Reconstruction
Published on: January 31, 2019
14.6K
10:17Real-Time Cardiac Mapping with a Noninvasive Imageless Electrocardiographic Imaging System
Published on: April 11, 2025
434
