利用自监督学习方法对阵发性心房颤动受试者进行远程筛查
机器学习
2025-03-05 v1 信号处理
摘要
将人工智能（AI）整合到临床研究中具有巨大潜力，能够揭示人类难以察觉的模式，在输入与临床结果之间建立有意义的联系。然而，这些方法通常需要大量标注数据，但由于严格的隐私法规以及需要专家进行数据标注，这在医疗保健领域往往难以获取。这一要求在研究未探索的临床问题时造成了瓶颈。本研究探讨了将自监督学习（SSL）作为一种从规模有限的临床研究中获取初步结果的方法。为了评估我们的方法，我们关注一个尚未充分探索的临床任务：在正常窦性心律期间，利用远程监测捕获的单导联心电图信号对阵发性心房颤动（P-AF）受试者进行筛查。我们评估了最先进的 SSL 方法以及监督学习方法，其中 SSL 在这一目标任务中优于监督学习。更重要的是，在规模有限的队列设置中，它避免了因后者性能不佳而可能产生的误导性结论。
引用
@article{arxiv.2503.02621,
title = {Leveraging Self-Supervised Learning Methods for Remote Screening of Subjects with Paroxysmal Atrial Fibrillation},
author = {Adrian Atienza and Gouthamaan Manimaran and Sadasivan Puthusserypady and Helena Dominguez and Peter K. Jacobsen and Jakob E. Bardram},
journal= {arXiv preprint arXiv:2503.02621},
year = {2025}
}
备注
Under revision