跨种族、年龄与性别可泛化且鲁棒的房颤诊断深度学习算法
机器学习
2022-07-21 v1 人工智能
信号处理
应用统计
摘要
为推动满足所有人需求并普及医疗的健康创新，需要评估深度学习（DL）算法在各种分布偏移下的泛化性能，以确保这些算法具有鲁棒性。据我们所知，这项回顾性研究是首个开发并评估用于从长期逐搏间隔中检测房颤事件的深度学习（DL）模型跨种族、年龄和性别泛化性能的研究。这一新的循环DL模型称为ArNet2，在一个包含2,147名患者、总计51,386小时连续心电图（ECG）的大型回顾性数据集上开发。该模型的泛化性在来自四个中心（美国、以色列、日本和中国）总计402名患者的手动标注测试集上进行了评估。该模型进一步在来自以色列海法Rambam医院Holter诊所的1,730份连续Holter记录的回顾性数据集上得到验证。该模型优于基准最先进模型，并跨种族、年龄和性别良好泛化。女性、男性及年轻成人（小于60岁）的性能较高，并在不同种族间表现出一些差异。解释这些差异的主要发现是在心房扑动（AFL）患病率较高群体中性能受损。我们关于ArNet2在各群体相对性能的发现可能对针对感兴趣群体选择首选房颤检查方法具有临床意义。
引用
@article{arxiv.2207.09667,
title = {Generalizable and Robust Deep Learning Algorithm for Atrial Fibrillation Diagnosis Across Ethnicities, Ages and Sexes},
author = {Shany Biton and Mohsin Aldhafeeri and Erez Marcusohn and Kenta Tsutsui and Tom Szwagier and Adi Elias and Julien Oster and Jean Marc Sellal and Mahmoud Suleiman and Joachim A. Behar},
journal= {arXiv preprint arXiv:2207.09667},
year = {2022}
}