优化了多阶段网络与多维的时空相互作用,用于隔膜和顶缩性心肌病的分类,使用12导电心电图

科学领域:

• 心脏病学 心脏病学
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 增高性心肌病 (HCM) 是一种遗传性心脏病,是青少年突然心脏死亡的主要原因.
• 隔膜膜缩 (SH) 和膜缩 (AH) 是HCM的关键亚型,增加心力衰竭和心律失常的风险.
• 通过12导电心电图 (ECG) 准确识别SH和AH对于早期诊断和患者管理至关重要.

研究的目的:

• 开发一种先进的深度学习模型,使用心电图数据精确检测HCM患者的SH和AH.
• 为了克服现有的1D或2D心电图分析方法的局限性,这些分析方法可能会丢失关键的时空信息.
• 通过一种新的多维方法,提高HCM亚型的诊断准确性.

主要方法:

• 设计了一个优化的多阶段网络,具有多维时空相互作用 (Ms-MdST).
• Ms-MdST模型整合了ECG导线上的时间特征的1D卷积和空间特征的2D卷积.
• 全局局部交互式注意力机制 (GLIA) 和多损失优化用于特征融合.

主要成果:

• Ms-MdST模型获得了高的F1分数:0.9672 (控制),0.7250 (SH) 和0.8009 (AH).
• 与现有的ECG分类技术相比,该模型显示出更高的性能.
• 提出的方法显示了可解释性,表明了临床应用的潜力.

结论:

• Ms-MdST模型在使用心电图检测HCM患者的SH和AH方面取得了重大进展.
• 这种时空深度学习方法通过保留基本数据维度来提高诊断准确性.
• 该模型的可解释性和性能表明它有望在心血管诊断中进行临床整合.