MVMTnet：一种利用ECG波形与临床笔记进行心脏病症多类分类的多变量多模态Transformer
机器学习
2023-02-23 v1 人工智能
定量方法
摘要
深度学习为优化临床应用的诊断与患者监测提供了极佳途径，可关键性地缩短对各种病症发作的响应时间。对于心血管疾病这一在全球不同地区患者数量攀升日益超过医疗资源可及性的病症，核心挑战在于各类心脏异常的自动化分类。现有深度学习方法大多局限于检测异常是否存在，即二分类，且已借助CNN和RNN/LSTM等网络实现。下一步是从固有的含噪多变量波形中准确执行多类分类并确定具体病症，这是一项困难任务，可受益于（1）更强大的序列网络，以及（2）临床笔记的整合，后者提供了来自人类医生的宝贵语义与临床背景。近来，Transformer凭借其多头注意力机制以及处理完整序列并学习长短期依赖的能力，已成为利用时间序列数据进行预测的最先进(state-of-the-art)架构。所提出的新型多模态Transformer架构将能准确执行该任务，同时展示Transformer的跨领域有效性，确立一种在Transformer中纳入多种数据模态用于分类任务的方法，并为临床与急诊环境中自动化实时患者状况监测奠定基础。
引用
@article{arxiv.2302.11021,
title = {MVMTnet: A Multi-variate Multi-modal Transformer for Multi-class Classification of Cardiac Irregularities Using ECG Waveforms and Clinical Notes},
author = {Ankur Samanta and Mark Karlov and Meghna Ravikumar and Christian McIntosh Clarke and Jayakumar Rajadas and Kaveh Hassani},
journal= {arXiv preprint arXiv:2302.11021},
year = {2023}
}
备注
18 pages, 11 figures, submitted to Artificial Intelligence in Medicine journal