Apr, 2023

使用编码将 ECG 信号转换为图像以实现高效的图像 - 文本检索

PDF
TL;DR本研究介绍了一种新颖的心电图 (ECG) 自动识别方法，采用最近的大型语言模型 (LLM) 和 Vision-Transformer (ViT) 模型。该方法通过将 ECG 编码为图像并采用视觉语言学习范式来自动识别相似的临床病例，从而实现有效的 ECG 检索系统，可在临床应用中提供诊断服务。
automated ecg interpretationmachine learningclinical diagnosisencoding ecg into imagesvision-language learning
发现论文，激发创造
  • 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

  • 基于心电数据的可解释机器学习模型用于心律失常检测的开发

    研究拟建立基于卷积神经网络（CNN）和长短期记忆（LSTM）分类器的解释性模型，探讨机器学习算法做出决策的模式，提高对心电图信号（ECG）节律分类的准确度。

    May, 2022

  • 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

  • 利用基于视觉的 Transformer 模型从心电图像中检测心脏疾病

    使用先进的视觉转换模型从心电图图像中检测心脏疾病，并与现有研究进行比较，结果显示该框架具有显著的分类结果。

    Oct, 2023

  • 变革心电图诊断：基于 Transformer 的深度学习模型在心血管疾病检测中的深入评估

    本文阐述了 Transformer 结构在心电图分类任务中的应用，总结了最新的 Transformer 模型并探讨了其应用中的挑战和未来的改进方向，为研究人员和从业者提供了宝贵的资源，旨在为心电图识别中的创新应用提供建议。

    Jun, 2023

  • 从自然语言到心电图的知识迁移：我们可以通过语言模型检测心血管疾病吗？

    本文旨在将 Large Language Models 中的知识传递到临床心电图中，通过引入 Optimal Transport 生成质量高的心脏诊断报告，并且表现出与监督基线相媲美的零 - shot 分类性能，证明了从 LLMs 到心脏领域的知识转移的可行性。

    Jan, 2023

  • 深度学习方法在心电图数据中的机遇与挑战：一项系统综述

    本文针对 2010 年至 2020 年间应用深度学习模型于心电图 (ECG) 数据的文献进行系统性总结，发现各种深度学习体系结构已被用于心电图分析任务，包括疾病检测 / 分类、标注 / 定位、睡眠分期、生物度量人类识别和去噪等，其中融合卷积神经网络和循环神经网络专家特征的混合体系结构表现最佳。同时，也指出了存在的挑战和问题，诸如可解释性、可扩展性和效率等方面，提出了未来可能的研究方向。

    Dec, 2019

  • 基于临床文本报告的 12 导联心电图综合

    本文提出了基于临床文字报告的自回归生成模型 Auto-TTE，用于合成 12 导联心电图的文本转 ECG 任务，并与其他代表模型进行比较，实验结果表明我们的模型在各种定量评估和定性分析中具有优越性，经过三名美国心脏病学会认证心脏病专家的用户研究，证实了生成样本的保真度和语义对齐度。

    Mar, 2023

  • ETP: 通过 ECG-Text 预训练学习可迁移的心电图表示

    在心血管保健领域，心电图 (ECG) 作为一种关键的非侵入性诊断工具。本研究提出了 ECG-Text 预训练 (ETP) 框架，通过将 ECG 信号与文本报告联系起来，学习跨模态表示。该框架在线性评估和零样本分类任务中表现出色，在 PTB-XL 和 CPSC2018 数据集上展示了其鲁棒性和泛化性能。

    Sep, 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