基于深度度量学习利用心电图信号推断血流动力学的建模方法
机器学习
2023-09-12 v2 信号处理
定量方法
摘要
心力衰竭是一种影响全球数百万人的衰弱性疾病，对患者生活质量与死亡率有显著影响。对心脏压力的客观评估仍是心力衰竭患者诊断与治疗预后判断的重要方法。尽管心导管插入术是估算中心血流动力学压力的黄金标准，但其为有创操作且具固有风险，对部分患者可致危险。利用无创信号(如心电图(ECG))的方法有望使心脏压力的常规估算在住院与门诊环境中可行。先前以有监督方式训练用于估算心内压(如平均肺毛细血管楔压(mPCWP))的模型虽具良好判别力，但受限于来自心力衰竭队列的标注数据集。为解决此问题并构建鲁棒表征，我们应用深度度量学习(DML)并提出一种基于距离挖掘的新型自监督DML，可改善标签有限模型的性能。我们使用含逾540万份无同步中心压力标签ECG的数据集预训练自监督DML模型，其在升高mPCWP分类上优于自监督对比基线。此外，使用含8,172个mPCWP标签ECG的有监督DML模型在mPCWP回归任务上显著优于有监督基线。而且，我们的数据表明，即便某些患者亚组在数据中代表性不足，DML仍能产生跨患者亚组均表现良好的模型。我们的代码见 https://github.com/mandiehyewon/ssldml
引用
@article{arxiv.2308.04650,
title = {Deep Metric Learning for the Hemodynamics Inference with Electrocardiogram Signals},
author = {Hyewon Jeong and Collin M. Stultz and Marzyeh Ghassemi},
journal= {arXiv preprint arXiv:2308.04650},
year = {2023}
}