一种基于心电图深度迁移学习预测心脏再同步化治疗反应的新方法
信号处理
2023-06-05 v1 计算机视觉与模式识别
摘要
背景：心脏再同步化治疗（CRT）已成为伴有电不同步的心力衰竭患者的有效疗法。然而，准确预测哪些患者会对CRT产生反应仍是一项挑战。本研究探索了深度迁移学习技术在训练CRT反应预测模型中的应用。方法：本研究采用短时傅里叶变换（STFT）技术将心电图（ECG）信号转换为二维图像，并在MIT-BIT ECG数据库上应用迁移学习预训练卷积神经网络（CNN）模型。该模型经微调以从ECG图像中提取相关特征，随后在我们自己的CRT患者数据集上测试以预测其反应。结果：本研究共纳入71名CRT患者。该迁移学习模型在本地数据集中区分反应者与无反应者的准确率达72%，且在识别CRT反应者时表现出良好的灵敏度（0.78）与特异度（0.79）。我们的模型性能优于临床指南与传统机器学习方法。结论：以ECG图像作为输入并利用迁移学习的优势，可提高CRT反应者识别的准确性。该方法有望优化患者筛选并改善CRT疗效。
引用
@article{arxiv.2306.01210,
title = {A new method using deep transfer learning on ECG to predict the response to cardiac resynchronization therapy},
author = {Zhuo He and Hongjin Si and Xinwei Zhang and Qing-Hui Chen and Jiangang Zou and Weihua Zhou},
journal= {arXiv preprint arXiv:2306.01210},
year = {2023}
}