心脏数字孪生是个体化的虚拟表示,用于理解复杂的心脏机制。本文综述了解决心电图反问题的方法、验证策略、临床应用和未来展望,涵盖了确定性和概率方法,包括传统和基于深度学习的技术。整合物理定律与深度学习模型有潜力,但需要克服动态电生理学的准确捕捉、获得准确的领域知识和量化预测不确定性等挑战。将模型整合到临床工作流中,确保对医疗专业人员的解释性和可用性至关重要,克服这些挑战将推动心脏数字孪生领域的进一步研究。
Jun, 2024
该研究探讨了利用心电图推断心肌组织特性和开发面向心肌梗死的全面心脏数字模型的可行性,结果表明该模型能够有效捕捉 QRS 信号和相应梗死区域之间的复杂关系,未来在临床应用中具有巨大潜力。
Jul, 2023
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
使用先进的视觉转换模型从心电图图像中检测心脏疾病,并与现有研究进行比较,结果显示该框架具有显著的分类结果。
Oct, 2023
本研究设计了一个个性化健康诊断系统,包括一个可穿戴式心电图设备、移动应用程序和后端服务器,可以对用户的心电信息进行持续监测,以提供个性化的健康警告 / 反馈,通过远程诊断和干预等方式支持与健康顾问的沟通。在此系统中,提出了一种利用心电信号准周期特征的有损信号压缩方法,设计并训练了一个基于 ResNet 的 AF 诊断器,该诊断器在测试中取得了较好的效果,F1 得分最高可达 87.31%。
Jul, 2022
该论文提出一种产生锐实的心电图图像的新方法,用于训练深度学习算法,在保护个人身份信息的同时使用这些图像来进行数字化,得到的结果表明,产生的合成心电图像数据集对于训练深度学习模型具有重要意义。
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。
患者的数字孪生是描述其健康状况随时间演变的计算模型。我们描述了一种可以学习临床轨迹条件生成模型的神经网络架构,称为数字孪生生成器(DTGs),通过改变训练集并调整超参数,该架构可以为 13 种不同症状的患者生成准确的数字孪生。通过引入通用的架构,我们旨在解锁机器学习方法在更大的数据集和更多症状上的可扩展性,以便可以为世界上的任何患者创建数字孪生。
May, 2024
本研究旨在解决电信号记录错误的问题,通过提出一种小型且高效的基于神经网络的模型用于确定两个心电监护图是否来自同一患者,其在不到平均参数数量 760 倍的情况下表现出极好的推理能力,并将其在新收集的心电图数据集上进行了评估,并向研究社区公开发布。
Jun, 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。