利用机器学习的集成方法在智能医疗监测系统中设计出一种电子诊断工具来诊断冠心病，结果表明集成分类器中的多层感知机、随机森林和 AdaBoost 是最优的，达到了 88.12% 的准确率，而且比其他所有分类器都表现更好。

Oct, 2022

本文使用神经网络、深度神经网络、和模糊 C 均值聚类加深度神经网络的方法诊断冠状动脉疾病，得到 99.91% 的准确度，这一方法可能有助于科研中心。

Feb, 2022

发展和应用以患者为导向的系统中，机器学习作为一种有前途的技术能够预测心血管疾病，本研究使用自动化机器学习和三个场景探索了检测心血管疾病的有效性，结果显示自动化机器学习模型的结构不仅取决于基本模型的效率和准确性，还取决于数据的预处理技术，尤其是数据标准化。

Aug, 2023

冠状动脉疾病诊断的一维卷积神经网络（1D-CNN）通过提高检测准确性和减少网络复杂性的潜力来解决早期诊断对人类死亡率的重要影响问题。通过解释心电图（ECG）信号中复杂模式的能力，无需依赖特征提取技术，这项研究超越了传统诊断方法。我们研究了样本长度对模型性能的影响，并进行了相关实验，包括降低网络层数。使用的 ECG 数据来自 PhysioNet 数据库，分别是 MIMIC III 和 Fantasia 数据集，采样频率分别为 125 Hz 和 250 Hz。在样本长度为 250 时，获得了对未知数据最高的准确性。这些初步发现展示了使用 ECG 信号进行冠状动脉疾病诊断的 1D-CNN 的潜力，并强调了样本大小在实现高准确性方面的作用。

May, 2024

本研究设计了一个 AI 系统，能够在 real-world ECG 图像中检测和筛选心脏异常。该系统的表现优于心脏病学家，在心脏异常筛查方面表现最好。该系统具有准确性，客观性，易于使用，快速，低成本等特点，适用于医护人员、护理者和普通用户评估基于 real-world ECG 图像的 CAs。

Feb, 2023

该研究使用基于机器学习算法的集成分类器框架，结合多种性能度量方法，对一个包含多国心血管疾病个体的大型数据集进行研究，获得了 92.34% 的准确率，较现有研究表现更佳。

Jun, 2023

在数字医学时代，医学影像作为一种广泛应用的早期疾病检测技术，在每天产生和储存的电子病历中产生大量的影像。在这篇论文中，我们利用目标检测方法对 X 射线血管造影图像进行分析，精确地确定冠状动脉狭窄的位置，从而实现了对狭窄位置的自动实时检测，帮助医护人员进行重要而敏感的决策过程。

Dec, 2023

多任务深度学习模型用于冠状动脉计算机断层扫描（CCTA）患者风险分层和下游测试选择。模型在冠状动脉疾病风险分层和预测下游测试方面取得了良好的准确性，并能在临床实践中对风险分层和治疗带来新的变革。

Sep, 2023

应用人工智能与深度学习技术结合视网膜成像，实现心血管疾病早期检测和诊断的研究概览。

Nov, 2023

我们提出了一个 3D Resnet-50 深度学习模型，通过计算机断层扫描冠状动脉造影图像来直接分类正常人和冠状动脉疾病患者，并使用 Grad-GAM 提供可解释性。此外，我们将 3D 冠状动脉疾病分类与 2D 双类语义分割相结合，以提高可解释性和准确的异常定位。

Jul, 2023