一个自动化冠状动脉疾病的识别使用光电解剖学信号与深度特征表示

科学领域:

• 生物医学工程 生物医学工程
• 心脏病学 心脏病学
• 人工智能在医学中的应用

背景情况:

• 冠状动脉疾病 (CAD) 是全球主要的死亡原因.
• 目前的诊断方法可能是侵入性的或昂贵的.
• 早期CAD检测的非侵入性生物标志物非常受欢迎.

研究的目的:

• 调查用于CAD识别的光电显微镜 (PPG) 信号的深度特征表示的使用.
• 为了比较多层感知子 (MLP) 和卷积神经网络 (CNN) 自动编码器在提取相关PPG特征方面的性能.
• 评估基于PPG的深度学习对低成本,便携式CAD诊断工具的潜力.

主要方法:

• 80名参与者 (40名确诊CAD) 提供了手指PPG信号.
• 使用MLP和CNN自动编码器从PPG数据中进行深度特征提取.
• 使用5倍交叉验证策略来评估模型性能.

主要成果:

• 美国有线电视新闻网的自动编码器模型实现了卓越的性能.
• CNN模型的关键指标包括96.67%的回忆,96.71%的精度和96.11%的准确性.
• 通过CNN提取的特征优于基于MLP的特征和传统的时间序列成像方法 (达到<90%的准确性).

结论:

• 通过CNN自动编码器从PPG信号中提取的深度特征对于CAD识别是有效的.
• 这种方法为CAD诊断提供了一个有希望的,非侵入性的,低成本的,便携式的方法.
• 进一步的验证可能会将基于PPG的深度学习作为临床心脏病学的宝贵工具.