多模式深度学习模型,用于提升大动脉狭窄的早期检测,将心电图和胸部X射线与合作学习相结合

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 大动脉狭窄 (AS) 通过心声学诊断往往发生在症状发作后的晚期.
• 使用心电图 (ECG) 和胸部X射线 (CXR) 的人工智能 (AI) 查正在出现膜心脏病.
• 单模拟人工智能方法有局限性;多模拟性评估在临床上是相关的.

研究的目的:

• 开发和评估一个综合ECG和CXR的多式人工智能模型,以便更早地检测AS.
• 评估合作学习在结合心电图和CXR数据用于AS诊断方面的实用性.

主要方法:

• 追溯分析7,483名患者的ECG,CXR和心电图数据.
• 开发一个多式人工智能模型,结合1D ResNet50-Transformer (ECG) 和EfficientNet (CXR) 架构.
• 通过1000次引导代实现合作学习与共享损失函数的模型改进和验证.

主要成果:

• 多式人工智能模型实现了0.812.12的接收器操作特征曲线 (AUROC) 下的测试面积.
• 这种性能超过了单模式模型:仅ECG (AUROC 0.775) 和CXR (AUROC 0.755).
• 可视化技术证实了ECG和CXR的独特但互补的特征贡献.

结论:

• 基于合作学习的多模式AI模型整合了ECG和CXR,在AS检测方面表现出优异的性能,与单模式方法相比.
• 这种人工智能模型有可能更早地诊断AS,改善患者的治疗结果并减少医疗保健负担.