MMApr, 2023

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

PDF
TL;DR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。
contrastive learningdeep learningcardiovascular diseaseselectrocardiography signalsdiagnosis
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

  • 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

  • CardioLearn：基于云的心电图心脏疾病深度学习服务

    本研究呈现了我们在建立、训练和提供心脏疾病检测的深度学习云服务 CardioLearn 上的工作，该服务可提供公共服务方案，解决了传统 ECG 疾病检测模型存在的诊断率误差高的限制，我们也设计了一个便携式智能硬件设备及与之交互的移动程序，可以随时随地检测潜在的心脏疾病。

    Jul, 2020

  • LightX3ECG：三导联心电图分类的轻量级可解释深度学习系统

    本研究开发了一个新颖的深度学习系统，仅使用三个心电图导联就能准确识别多种心血管异常。

    Jul, 2022

  • 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

  • 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

  • 深度神经网络对 12 导心电图分类的泛化和微调

    通过大规模私有数据集和相对较小的公开数据集，我们提出了通过训练多样化的神经网络并在特定数据集上进行微调，从而提高心脏病预测质量的方法，并展示了如何利用深度神经网络的泛化能力来优化更多疾病的分类质量。

    May, 2023

  • 通过同时对齐和重建的方式进行多导联心电信号的模态降维表示学习

    通过减少模态表示学习，我们提出了一种能够为心电图信号生成与通道无关的统一表示的方法，在重构和对齐的联合优化中，我们确保不同信道的嵌入包含跨信道的整体信息的融合，同时保留其特定信息。在独立的测试数据集上，我们从不同的心电图信道生成高度相关的信道嵌入，从而在单信道嵌入中适度近似了 12 导联信号。我们生成的嵌入可以作为心电图信号下游任务的有效特征。

    May, 2024

  • 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

    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。

    Apr, 2023

  • 多视角学习方法提升自动 12 导联心电图诊断性能

    本文研究使用深度学习方法对心电图进行自动诊断，并提出了基于多视角学习和数据增强技术的集成方法，取得了优于现有技术的表现，F1 分数达到 0.840。

    Jul, 2022