用不完整的多视图数据检测心肌梗塞通过双分支门完成和迪里克莱特权衡

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:

• 用于检测心肌梗塞 (MI) 的心电图 (ECG) 受到噪音和早期诊断价值的限制.
• 心声图提供了更丰富的数据,但由于临床约束,往往缺乏观点.
• 目前的核聚变方法由于静态或复杂的动态权重而难以适应性和实时应用.

研究的目的:

• 开发一种先进的视图完成方法,用于MI检测中的多视图回声心脏图.
• 加强不完整的多视图数据的融合,以提高诊断性能.
• 通过引入自适应权重来克服现有聚变技术的局限性.

主要方法:

• 一个双分支门结构,将变压器和图形神经网络 (GNN) 结合起来,以完成视图.
• 全局时间依赖的变压器编码器和局部结构关系的GNN.
• 不确定性驱动的动态加权聚变策略使用迪里克莱特分布进行自适应加权.

主要成果:

• 拟议的方法在HMC-QU数据集上实现了92.31%的准确性,90.00%的精度和100.00%的特异性.
• 与最先进的模型相比,在多视图MI检测方面表现出卓越的性能.
• 适应性融合策略有效地处理了不同的视图质量,并提高了诊断信心.

结论:

• 这种新型的人工智能方法显著提高了 MI 检测准确度,使用不完整的心声回声学数据.
• 双分支门结构和动态融合策略为现实世界的临床场景提供了强大的解决方案.
• 该方法显示了临床部署的强大潜力,增强了早期和准确的MI诊断.