Dec, 2023

应用深度学习对急诊心电图进行心脏和除心脏疾病辨别

PDF
TL;DR该研究展示了一种单一模型在急诊科收集到的心电图数据上具备预测多种心脏和非心脏病症的能力，并提出将该模型作为筛查工具并纳入综合临床决策支持系统来高效地对患者进行分诊。研究强调了全面的心电图分析算法和开放式 MIMIC-IV-ECG 数据集的卓越性能，推动了心电图分析领域的重大进展。
deep learning algorithmsautomatic ecg analysisdiagnostic scenariosclinical decision support systemmimic-iv-ecg dataset
发现论文，激发创造
  • 心电图深度学习预测术后死亡率

    通过开发一种基于 ECG 信号的深度学习算法，可以提高预测术后死亡风险的准确性，其鉴别能力优于修正心脏风险指数评分，患者风险等级可以帮助区分手术前死亡风险。该算法在多个手术类型的患者和两个独立医疗系统的患者中都有较好的表现。

    Apr, 2022

  • 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

  • 使用深度神经网络进行 12 导联心电图的自动诊断

    使用超过 200 万标记心电图的数据训练的深度神经网络模型，比心脏病学住院医生在识别 12 导联心电图上准确率高，F1 分数超过 80％且特异性高于 99％，这表明基于 DNN 的 ECG 分析可推广到 12 导联心电图上，可应用于标准临床实践中。

    Apr, 2019

  • 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

  • 基于心电图的死亡风险预测基准测试

    研究使用大型医院拥有的心电图数据库来建模和预测患者死亡率，通过与两种神经网络架构比较四种深度存活建模方法以及在一到十年内的绩效评估，结果表明 AUROC 和协调性得分与以往工作相当（约 0.8），考虑到与死亡率相关的心电图样本的比例（MIMIC-IV：27％，Code-15：4％），AUPRC 得分合理（MIMIC-IV：0.4-0.5，Code-15：0.05-0.13）。

    Jun, 2024

  • 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

  • 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

  • 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