Nov, 2020

基于患者疾病类型、性别和年龄的心脏信号聚类和检索

PDF
TL;DR该研究提出一种监督式对比学习框架 CROCS，它可以将与病人特定属性（如疾 病类别、性别、年龄）相关联的心脏信号的表示学习到可以学习的临床原型嵌入 中。通过使用这些原型，可以根据多个病人属性聚类和检索无标签的心脏信号。该 框架在聚类和从大型数据库检索相关心脏信号方面优于现有的方法，并且临床原型 根据病人属性采用语义相关性布局，从而提供了高度可解释性。
clinical databasessupervised contrastive learningcardiac signalsclinical prototypesinterpretability
发现论文，激发创造
  • CLOCS：跨时空和病人对心脏信号进行对比学习

    本文提出了一种基于对比学习的、能够生成患者特异性表征的 CLOCS 方法，可以通过少量标记数据实现强大的泛化性能。

    May, 2020

  • 基于多模态对比学习的心血管疾病诊断：来自心电图（ECG）信号和患者元数据的分析

    本文探讨了对电心图 (ECG) 信号进行对比学习和深度学习的应用来诊断心血管疾病的方法。此应用可以在具有较少 ECG 导联的情况下提高诊断性能，并且证明了对比学习在此任务上的潜力。

    Apr, 2023

  • 基于多实例学习的心电图风险分层

    本文提出一种使用机器学习从原始心电图 (ECG) 信号学习患者心血管死亡风险的方法，该方法通过采用多元实例学习框架从原始 ECG 信号中学习表征，并在 5000 名患者数据集上证明其可以准确地预测患者在 30、60、90 和 365 天内心血管死亡风险，优于现有的风险因子评估方案。

    Dec, 2018

  • 心血管疾病多标签预测的半监督学习：多数据集研究

    提出一种多标记半监督学习模型 (ECGMatch) 来同时识别多种心血管疾病，包括心肌缺血、心室肥厚和心房颤动等，该方法通过神经网络模型结合众多技巧和模块，缓解了标签稀缺性、样本不均衡、未知数据上的性能问题，具有较高的鲁棒性和准确性。

    Jun, 2023

  • 通过心脏核磁共振的知识转移解锁心电图的诊断潜力

    提出了自监督的对比学习方法，实现了从心电图数据中进行心脏筛查和疾病诊断。

    Aug, 2023

  • ECG-CL: 一种基于持续学习的全面心电图解释方法

    提出了一个多分辨率模型，利用局部形态信息和全局节奏信息，通过开发低分辨率高级语义信息，持续维持高分辨率低级语义信息，从而成功地从 ECG 细分中提取信息丰富的形态和节律特征，从智能可穿戴应用的角度，也确认基于单导联 ECG 的全面 ECG 解释算法的可能性。

    Apr, 2023

  • TACCO: 基于电子病历数据的疾病亚型划分的临床概念和患者访问的任务引导合并聚类

    基于超图建模的 TACCO 方法，通过自监督的共聚类框架，发现临床概念和患者访问的簇类，进一步加强了电子医疗记录数据的超图模型，并通过对比目标实现了临床概念和患者访问的簇类的对齐，实验证明了 TACCO 提供了改进的效用和深入的解释。

    Jun, 2024

  • 基于无监督领域适应的跨数据库和跨通道的心电信号心律失常分类

    本研究提出了一种基于交叉领域特征差异优化的领域自适应深度网络解决心电图分类的方法，在交叉域和交叉通道的模式下，有效地检测室性早搏、窦性早搏和融合早搏，与非领域自适应基准方法相比，整体准确率平均提高了 11.78％。

    Jun, 2023

  • 心脏超声成像中容积指数的提取：哪种深度学习方法适用于临床应用？

    本篇研究提出了基于 3D nnU-Net 的深度学习方法在医学图像分割方面的应用。 作者比较了该方法与传统 2D 和循环分割方法，并且在新的私人数据集 CARDINAL 上测试了其性能。 结果表明该方法在时序一致性和跨数据集泛化性方面具有优势，并有望成为临床工具的首选。

    May, 2023

  • 心脏 MRI 分类的全局与局部可解释性

    本文提出了一种可解释的卷积神经网络模型，基于变分自编码器，用于识别心脏核磁共振分割序列中的疾病，并使用 ' 概念激活向量 ' 技术关联一些向量，并定性地观察在这些向量方向上的测量值的变化，从而提供相应的自然可解释概念，该方法在英国生物银行心脏磁共振成像数据集上检测冠状动脉疾病。

    Jun, 2019