提高心电图信号的自动多标签诊断:面具变压器方法
Ya Zhou1, Xiaolin Diao1, Yanni Huo1
1Department of Information Center, Fuwai Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing, 100037, China.
Computers in biology and medicine
|July 8, 2025
概括
变压器模型,特别是ECG分类 (MTECG) 的面具变压器,显著提高了心电图 (ECG) 诊断的准确性. 这种自我监督的学习方法在临床环境中增强了复杂的信号模式识别.
科学领域:
- 人工智能的人工智能
- 生物医学工程 生物医学工程
- 心脏病学 心脏病学
背景情况:
- 电心电图 (ECG) 对临床诊断至关重要.
- 深度学习模型显示了复杂的心电图信号分类的局限性.
- 变压器模型为增强的ECG分析提供了潜力.
研究的目的:
- 探索变压器模型以提高心电图分类的准确性.
- 为自我监督学习引入ECG分类 (MTECG) 的面具变压器.
- 用最先进的方法来评估MTECG的性能.
主要方法:
- 开发了MTECG,适应蒙面自动编码器用于ECG时间序列表示学习.
- 在大规模的Fuwai数据集 (220,251条记录) 上评估了MTECG.
- 进行了废除研究,并对两个公共数据集进行了验证,以获得更广泛的适用性.
主要成果:
- MTECG在Fuwai上提高了宏观F1分数2.8%-28.6%,在多中心数据集上增加了10.4%-46.2%,在PTB-XL上增加了19.1%-46.9%.
- 在PTB-XL超级级任务中实现了最先进的性能.
- 确定了诸如掩盖比率和训练时间表长度等关键因素,以提高绩效.
结论:
- 蒙面变压器模型在心电图分类中表现出卓越的性能.
- MTECG显示出在推进基于心电图的诊断系统方面的巨大潜力.
- 使用变压器进行自我监督学习是临床心电图分析的一个有希望的方向.
