VAM:一个并行跨模态混合网络,用于从PPG准确和可解释的血管年龄估计.
概括
这项研究引入了血管年龄估计模型 (VAM),用于精确的血管年龄评估. 混合深度学习模型显示出高准确性和临床潜力,用于评估血管健康.
科学领域:
- 生物医学工程 生物医学工程
- 心血管研究研究心血管研究
- 人工智能在医学中的应用
背景情况:
- 血管年龄是评估血管健康的关键临床标志物.
- 传统的血管年龄评估方法 (如PWV) 是复杂的.
- 基于光聚缩学 (PPG) 的方法提供了方便性,但缺乏概括性.
研究的目的:
- 开发一个准确且可适应的血管年龄估计模型 (VAM).
- 使用混合深度学习架构集成多源数据.
- 改进现有的血管年龄估计技术.
主要方法:
- 提出了一个平行交叉模式混合网络 (VAM),集成CNN和变压器架构.
- 使用多源数据集进行培训和验证.
- 在VitalDB数据集和外部测试集上进行了实验.
主要成果:
- 在VitalDB数据集上,VAM实现了7.66±0.39年的平均绝对误差 (MAE) 和0.55±0.04的R2.
- 该模型显示,与基线模型相比,预测错误减少了至少20%.
- 在年轻人群中,VAM表现强 (MAE=5.85岁,R2=0.63岁),性别和BMI偏差最小.
结论:
- 拟议的VAM为血管年龄评估提供了一个高效和可解释的解决方案.
- 该模型的准确性和适应性突显了其临床应用潜力.
- 解释性分析确定了透缩峰值作为血管年龄估计的关键特征.


