优化心肌梗塞检测:一种混合CNN-GRU深度学习方法
Zahra Aghababaei1, Leili Tapak2,3, Mahdi Rasoulinia4
1Department of Biostatistics, School of Public Health, Hamadan University of Medical Sciences, Hamadan, Iran.
BMC medical informatics and decision making
|November 4, 2025
概括
一个新的混合CNN-GRU深度学习模型使用心电图 (ECG) 准确检测心肌梗塞 (MI). 这种先进的AI工具显示出高灵敏度和特异性,支持心血管医学中的临床决策.
科学领域:
- 心血管医学 心血管医学
- 医疗保健中的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 心肌梗塞 (MI) 是一种需要及时诊断的危急疾病.
- 电心电图 (ECG) 对心脏病发作检测至关重要,但解释可能具有挑战性.
- 开发先进的诊断支持工具对于改善患者治疗结果至关重要.
研究的目的:
- 使用心电图 (ECG) 来优化心肌梗塞 (MI) 检测.
- 开发和评估一种混合的卷积神经网络通道循环单元 (CNN-GRU) 深度学习模型 (DLM) 用于MI诊断.
- 评估DLM作为心血管医学诊断支持工具的性能.
主要方法:
- 对56354个心电图 (41871名心脏病患者,14474名健康对照) 的回顾性分析.
- 使用了20秒,15导电图记录,采用1000Hz的样本,并使用潘-普金斯算法进行预处理.
- 分别对85%和15%的数据进行CNN-GRU模型的训练和验证;使用AUC,灵敏度和特异性评估性能.
主要成果:
- CNN-GRU模型在心脏病发作检测方面表现出高的诊断准确性,曲线下的区域 (AUC) 接近1.
- 通过15个引线,该模型实现了99.43%的准确性,99.71%的灵敏度和98.59%的特异性.
- 仅使用Lead II的性能进一步提高,达到99.73%的准确性,99.75%的灵敏度和99.66%的特异性,表明了卓越的诊断能力.
结论:
- 拟议的CNN-GRU深度学习模型显示出作为支持MI诊断临床决策的有效工具的巨大潜力.
- 该模型的高性能,特别是使用Lead II,表明其在增强心血管医学诊断方面的实用性.
- 这些发现支持对人工智能驱动的心血管疾病诊断工具的进一步研究.