ECG-SMART-NET：用于精准诊断阻塞性心肌梗死的深度学习架构
信号处理
2025-06-25 v2 人工智能
机器学习
摘要
目的：本文开发并评估ECG-SMART-NET用于阻塞性心肌梗死（OMI）识别。OMI是一种严重的心脏病发作，表现为一或多条冠状动脉完全阻塞，需立即进行心脏介入治疗以恢复心脏血流。二三之一的OMI病例难以从12导联心电图（ECG）中目视识别，如果不迅速识别可能致命。此前关于此话题的研究极少，当前的最新证据表明，基于特征的随机森林和卷积神经网络（CNN）都是改进ECG检测OMI的有前景的方法。方法：虽然ResNet架构已被适用于ECG录音，但并不理想，无法捕捉每个导联中时序特征以及导联之间的空间一致性或不一致性。我们提出了一种临床导向的ResNet-18架构修改方案。该模型通过带有1xk核的时序卷积层学习时序特征，随后在残差块之后添加一个带有12x1核的空间卷积层，以学习空间特征。结果：在由10,393个ECG（来自7,397名独立患者，OMI发生率为7.2%）构成的多中心真实世界临床数据集上，对ECG-SMART-NET进行基准测试测试，与原始ResNet-18和其他最新模型相比较，ECG-SMART-NET在OMI分类方面表现优异，测试AUC为0.953 [0.921, 0.978]。结论与意义：ECG-SMART-NET能够优于用于OMI预测的最新随机森林模型，也比原始ResNet-18架构更适用于此任务。
引用
@article{arxiv.2405.09567,
title = {ECG-SMART-NET: A Deep Learning Architecture for Precise ECG Diagnosis of Occlusion Myocardial Infarction},
author = {Nathan T. Riek and Murat Akcakaya and Zeineb Bouzid and Tanmay Gokhale and Stephanie Helman and Karina Kraevsky-Philips and Rui Qi Ji and Ervin Sejdic and Jessica K. Zègre-Hemsey and Christian Martin-Gill and Clifton W. Callaway and Samir Saba and Salah Al-Zaiti},
journal= {arXiv preprint arXiv:2405.09567},
year = {2025}
}
备注
9 pages, 7 figures, 6 tables