使用蒙面自编码器进行ECG扫描图像的高效预训练,用于诊断心血管疾病
Taeyoung Yoon1, Daesung Kang2,3
1School of Bio-Health Convergence, College of Natural Sciences, Sungshin Women's University Woonjung Green Campus, Seoul, Republic of Korea.
Scientific reports
|July 8, 2025
概括
这项研究引入了一种使用蒙面自编码器 (MAE) 进行心电图 (ECG) 分析的新深度学习方法,显著提高了心血管疾病 (CVD) 诊断的准确性,特别是在有限的数据的情况下.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能在医学中的应用
- 心脏病学 心脏病学
背景情况:
- 心血管疾病 (CVD) 是全球主要的健康问题,需要准确及时诊断.
- 电心电图 (ECG) 对于非侵入性心脏状况评估至关重要,但手动解释是耗时的,需要专业知识.
- 自动化深度学习模型提供了一个有希望的解决方案,以提高ECG解释的准确性和效率.
研究的目的:
- 开发和评估一种新型的深度学习方法,使用蒙面自动编码器 (MAE) 进行ECG扫描图像的预训练.
- 提高七种类型的心血管疾病 (CVD) 的诊断准确度.
- 评估基于MAE的模型与传统和其他自主监督学习 (SSL) 方法的性能.
主要方法:
- 使用蒙面自动编码器 (MAE) 预训练视觉变压器 (ViT-S) 模型在心电图扫描图像上.
- 实验了各种掩盖比率和时代,确定了超过500个时代的85%掩盖比率是最佳的.
- 通过12个心电图进行员工组合学习,可以进一步提高诊断能力.
主要成果:
- ViT-S ((MAE-scalo) 模型在II中实现了0.986的曲线下的面积 (AUC) 和92.43%的精度.
- 通过12个线索进行集体学习,AUC为0.994和92.72%的准确性.
- 基于MAE的模型表现优于ResNet-34,ImageNet/随机预训练的ViT-S,MoCo-v2和BYOL,特别是在较小的数据集.
结论:
- 基于MAE的预训练是使用ECG数据进行心血管疾病诊断的深度学习模型的高效和高效的策略.
- 这种方法在与现有方法相比显示出更高的性能,即使使用有限的标记数据.
- 拟议的方法为改善心血管疾病诊断提供了可扩展和具有成本效益的解决方案,在资源有限的环境中具有显著的临床应用潜力.
