自监督异常检测预训练增强长尾心电图诊断
计算机视觉与模式识别
2024-09-02 v1
摘要
当前计算机辅助心电图（ECG）诊断系统由于 ECG 数据集的不平衡性，在欠检测罕见但关键的心脏异常方面面临困难。本研究引入了一种新方法，使用自监督异常检测预训练来解决这一局限性。该异常检测模型专门设计用于检测和定位正常心脏模式的细微偏差，捕获准确 ECG 解释所需的关键细节。在来自临床实践的超过一百万条 ECG 记录的庞大数据集上进行了验证，该数据集具有跨越 116 个不同类别的长尾分布特征，异常检测预训练的 ECG 诊断模型在总体准确率上显示出显著提升。值得注意的是，对于罕见 ECG 类型，我们的方法达到了 94.7% 的 AUROC、92.2% 的灵敏度和 92.5% 的特异度，显著优于传统方法，并缩小了与常见 ECG 类型的性能差距。将异常检测预训练整合到 ECG 分析中是对该领域的一项重大贡献，解决了临床诊断中长尾数据分布的长期挑战。此外，在真实世界临床环境中的前瞻性验证表明，与标准实践相比，我们的人工智能驱动方法分别将诊断效率、精确度和完整性提高了 32%、6.7% 和 11.8%。这一进展标志着人工智能在临床心脏病学整合方面迈出了关键一步，对快速准确的 ECG 解释至关重要的急诊护理具有特别深远的意义。本研究的贡献不仅突破了当前 ECG 诊断能力的边界，而且为更可靠和可及的心血管护理奠定了基础。
引用
@article{arxiv.2408.17154,
title = {Self-supervised Anomaly Detection Pretraining Enhances Long-tail ECG Diagnosis},
author = {Aofan Jiang and Chaoqin Huang and Qing Cao and Yuchen Xu and Zi Zeng and Kang Chen and Ya Zhang and Yanfeng Wang},
journal= {arXiv preprint arXiv:2408.17154},
year = {2024}
}
备注
arXiv admin note: text overlap with arXiv:2404.04935