心电图指令调谐用于报告生成
通过多模态学习心电图记录和相关报告,提出了一种 Multimodal ECG Representation Learning (MERL) 框架,可通过文本提示进行零样本心电图分类,消除对下游任务训练数据的需求,并使用 LLM 来利用外部专家验证的临床知识数据库,生成更具描述性的提示,提升零样本分类性能。基于 MERL,在六个公共心电图数据集上进行了首次评估,显示出 MERL 相对于 ECG 自监督学习方法具有更优异的性能,平均 AUC 得分为 75.2%,比使用 10%注释训练数据的线性探测式 ECG 自监督学习方法高出 3.2%。
Mar, 2024
该研究提出了使用机器生成的临床报告指导自我监督的心电图预训练的 ECG-Text 多模态自监督预训练(METS)。METS 在零 - shot 分类中能够实现约 10%的性能改善,而不使用任何带标签的数据,此外,在 MIT-BIH 数据集上,MET 对预训练数据集的 ECG 和其他类别的 ECG 之间的相似性进行了最小化,体现了在泛化性,效果和效率方面使用 ECG-Text 多模态自监督学习的优势。
Mar, 2023
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
本论文提出了基于自监督学习技术的多模态心电图分类方法,利用单模态 ECG 的时间序列和频谱信息,以及 SSL-pre-stream 任务和 down-stream 任务结合的方式实现。在评估这种方法的有效性时,使用 12 导联 PhysioNet 2020 数据集进行了十折交叉验证。
Sep, 2022
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
本文提出了一种新型的面向疾病的生成对抗网络 ME-GAN 用于多视角心电图合成,实现了以疾病为条件的泛光心电表征,并将它们投影到多种标准视图上,同时还提出了一种新的度量标准 rFID 来评估合成心电图信号的质量。
Jul, 2022
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
提出了一个多分辨率模型,利用局部形态信息和全局节奏信息,通过开发低分辨率高级语义信息,持续维持高分辨率低级语义信息,从而成功地从 ECG 细分中提取信息丰富的形态和节律特征,从智能可穿戴应用的角度,也确认基于单导联 ECG 的全面 ECG 解释算法的可能性。
Apr, 2023
应用深度学习于心电图分析,通过引入一种新的多模态对比预训练框架来改善学习到的 12 导联心电信号的质量和鲁棒性,并获得了心脏健康诊断上的高准确性和高效率。
May, 2024