[基于深度特征融合的可解释的12导电图自动诊断模型的评估]
Xueqi Lu1, Huayuan Chen2, Qiucen Wu1
1School of Biomedical Engineering, Southern Medical University, Guangzhou 510515, China.
概括
一个新的深度学习模型MRHL-ECGNet显著提高了12导电心电图 (ECG) 自动诊断的准确性. 这种高效和可解释的AI工具对帮助ECG解释的临床应用非常有前途.
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:
- 12导电心电图 (ECG) 的准确可靠的自动诊断对于临床决策至关重要.
- 现有的深度学习模型在捕捉远程依赖和计算效率方面经常面临挑战.
研究的目的:
- 开发和评估一种新的深度特征融合模型,MRHL-ECGNet,用于增强的12导电图自动诊断.
- 提高自动化心电图分析的准确性,可靠性和可解释性.
主要方法:
- 拟议的MRHL-ECGNet模型包含多级特征提取前端,ResNet-34,全球特征混合和时间序列分析.
- 利用了Hyena 层次卷积运算符,以有效捕获远程依赖关系并降低计算复杂性.
- 用人集成梯度 (IG) 用于模型解释性和可视化,在CPSC2018数据集上进行培训和测试.
主要成果:
- 在九类心电图分类任务中取得了高性能:0.972准确度,0.983AUC,0.864F1得分,0.873精度和0.857回忆.
- 证明了计算效率,诊断时间为0.007s (GPU) 和0.156s (CPU),内存足迹为67.196 MB.
- 在多个定量评估指标中表现优于比较模型.
结论:
- MRHL-ECGNet 显示出优异的分类性能,用于12导电图自动诊断.
- 该模型的轻量级设计和良好的可解释性表明其在ECG辅助诊断中的临床应用潜力很大.
