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

本研究使用深度迁移学习技术对心脏再同步治疗（CRT）病人的反应进行预测模型训练，通过短时傅里叶变换处理 ECG 信号并使用迁移学习方法对卷积神经网络模型进行预训练，得出较高的预测精度，表现优于传统机器学习方法。

Jun, 2023

基于脑电图信号和解码脑活动的病理诊断在理解神经系统疾病方面具有巨大重要性；随着人工智能方法和机器学习技术的发展，准确的数据驱动诊断和有效的治疗潜力显著增长。然而，将机器学习算法应用于现实世界的数据集在多个层面上都面临各种挑战；特别是在低范围的场景中数据标记稀缺，由于征募费用高昂，真实患者群体的可用性有限，一直强调了规模化和迁移学习技术的重要部署。本研究探讨了一个真实的病理分类任务，以突出数据和模型规模化以及跨数据集知识迁移的有效性；观察到通过数据规模化而产生的性能改进程度不同，表明需要进行谨慎评估和标注；此外，我们还确定了可能的负迁移的挑战，并强调了克服分布迁移和潜在虚假相关性的一些关键组成部分的重要性，实现积极的迁移；当已有少量标记数据时，通过使用源数据集的知识（如 TUAB 数据集），我们发现目标模型在目标（NMT）数据集上表现得更好；我们的发现表明，一个小型和通用的模型（如 ShallowNet）在单个数据集上表现良好，然而，一个较大的模型（如 TCN）在从较大和多样化的数据集中进行迁移和学习时表现更好。

Sep, 2023

本研究评估比较不同的训练神经网络技术，提出为小型数据集提高模型准确度的方法，并发现迁移学习对于重复利用以前学习的特征有重要作用，特别是在医学图像应用中。

Dec, 2019

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

基于心电图（ECG）进行心血管疾病检测的深度学习系统在自动化领域面临的主要挑战是标记稀缺问题。我们提出了一种高计算效率的半监督学习范式（FastECG），以提供具有强大计算效率和鲁棒性的 ECG 心血管疾病检测方法，并在四个 ECG 数据集上展示了其优于现有方法的性能。

Jun, 2024

本研究探索了使用迁移学习来提高医学影像中深度卷积神经网络对器官分割的性能，研究结果表明迁移学习可改善标注的效率和提高准确的器官分割，在医学影像领域具有潜在应用价值。

Nov, 2023

本研究旨在解答在医学图像分析的背景下，如何才能让使用具有足够精细调整过的预训练深度 CNN 能够消除从头开始使用 CNN 进行训练的需求这一核心问题。在考虑了医学成像应用中的分类，检测和分割等方面时，我们的实验结果一致表明：1）使用经过足够精细调整的预训练 CNN 显著优于或者和从头开始训练的 CNN 一样好；2）相比于从头开始训练的 CNN，精细调整的 CNN 更加稳健；3）浅调整和深度调整都不是特定应用的最佳选择；4）我们的逐层精细调整方案可以根据可用数据量为手头的应用程序提供达到最佳性能的实用方法。

Jun, 2017

将深度学习应用于大量未标记的心电图遥测数据，对 ICU 中的患者监测进行持续注释，从而提供独特的洞察力，改进护理质量。

Jun, 2024

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