用于疾病检测、追踪与发现的自动化可解释患者心电图画像
计算机视觉与模式识别
2018-07-10 v1
摘要
心电图（ECG）已使用逾百年，至今仍是应用最广泛的用于表征心脏结构与电活动的诊断检测。我们假设，计算能力的并行进步、机器学习算法的创新以及大规模数字化 ECG 数据的可得性，将能够在超越 ECG 当前局限的同时扩展其效用，并保留可解释性——这是医疗决策的基础。我们从 UCSF 数据库中识别出 36,186 份 ECG，这些 ECG 1) 为正常窦性心律，且 2) 能够用于训练特定模型以估计心脏结构或功能或检测疾病。我们提出了一种基于卷积神经网络（CNN）与隐马尔可夫模型（HMM）的 ECG 分割新模型，并通过将电间期估计值与临床工作流中的 141,864 次测量进行比较来评估其输出。我们利用下采样分割数据构建了 725 维的患者级 ECG 画像，并训练机器学习模型以估计左心室质量、左心房容积、二尖瓣环 e' 速度，以及检测和追踪四种疾病：肺动脉高压（PAH）、肥厚型心肌病（HCM）、心脏淀粉样变（CA）和二尖瓣脱垂（MVP）。CNN-HMM 得到的 ECG 分割与临床估计一致，其中心率的中位数绝对偏差（MAD）占观测值的 0.6%，QT 间期占 4%。患者级 ECG 画像能够对左心室和二尖瓣环 e' 速度进行定量估计，并在左心室肥厚与舒张功能的二分类模型中具有良好的区分度。疾病检测模型的 AUROC 在 MVP 上介于 0.94 至 0.77。所有模型中排名靠前的变量既包括已知的 ECG 特征，也包括这些性状/疾病的新预测因子。
引用
@article{arxiv.1807.02569,
title = {Automated and Interpretable Patient ECG Profiles for Disease Detection, Tracking, and Discovery},
author = {Geoffrey H. Tison and Jeffrey Zhang and Francesca N. Delling and Rahul C. Deo},
journal= {arXiv preprint arXiv:1807.02569},
year = {2018}
}
备注
13 pages, 6 figures, 1 Table + Supplement