XiaoMi-AI文件搜索系统
World File Search System心电图
CardiacNet：基于神经网络、使用心电图信号进行心跳分类
摘要：以心电图 (ECG) 的形式获取有关心脏电活动的信息已成为监测患者心律和功能的标准方法。它用于诊断各种心脏异常，如心律失常和其他心脏病。然而，解释心电图需要训练有素的医生的专业知识，因此需要自动对此类信号进行分类的工具。在本研究中，我们训练深度卷积神经网络 (CNN) 对心电图搏动进行正常和异常的二元分类。在对从 MIT-BIH 心律失常数据库中选择的一组不同心电图进行通用网络预训练后，我们使用迁移学习来构建针对特定患者数据进行微调的模型。然后，我们将微调网络的性能与仅对单个患者的心电图数据进行训练的单个网络的性能进行比较，以评估迁移学习对给定问题的整体效果。我们在两种情况下都取得了不错的结果，因为单个分类器在测试集上的平均平衡准确率为 94.6%，而微调模型的准确率略差，为 93.5%。关键词：心电图分类、CNN、医学成像、迁移学习
解决心脏数字孪生的心电图逆问题：一项综述
摘要 — 心脏数字孪生 (CDT) 是用于理解复杂心脏机制的个性化虚拟表示。CDT 开发的一个关键部分是解决 ECG 逆问题，这使得能够从体表 ECG 数据中重建心脏源并估计患者特定的电生理 (EP) 参数。尽管存在复杂的心脏解剖结构、嘈杂的 ECG 数据和逆问题的病态性质等挑战，但计算方法的最新进展极大地提高了 ECG 逆推理的准确性和效率，增强了 CDT 的保真度。本文旨在全面回顾解决 ECG 逆问题的方法、它们的验证策略、它们的临床应用及其未来前景。对于方法，我们大致将最先进的方法分为两类：确定性方法和概率方法，包括传统技术和基于深度学习的技术。将物理定律与深度学习模型相结合具有良好的前景，但诸如准确捕捉动态电生理学、获取准确的领域知识以及量化预测不确定性等挑战仍然存在。将模型集成到临床工作流程中，同时确保医疗专业人员的可解释性和可用性至关重要。克服这些挑战将推动 CDT 的进一步研究。
死亡率风险预测心电图作为心血管疾病的信息指标
结果：DLM通过在10年期间使用ECG在内部/外部验证集中实现了0.858/0.836的C-指标。由拟议的DLM确定的高风险群体的危险比（HR）为14.16（95％偶发间隔（CI）：11.33 - 17.70）与内部验证中的低风险组相比，在内部验证中相比具有更高的心血管疾病风险，并提出了较高的心血管疾病（CV）的较高风险。 34.84), non-CV mortality (HR: 13.68, 95% CI: 10.76 – 17.38), AMI (HR: 4.01, 95% CI: 2.24 – 7.17), STK (HR: 2.15, 95% CI: 1.70 – 2.72), and HF (HR: 6.66, 95% CI: 4.54 – 9.77), which was consistent in独立社区医院。跨国验证还显示HRS为4.91（95％CI：2.63 - 9.16）和2.29（95％CI：2.15 - 2.44），用于SAMI-TROP中的全因死亡率和数字电视图15％（Code15）COHORTS中的全因死亡率和临床结果。
将知识从自然语言转移到心电图：我们可以通过语言模型检测心血管疾病吗？
大型语言模型（LLM）的最新进展引起了人们的关注，因为在大规模数据集中鉴定的学识渊博的嵌入者在各种下游应用程序中表现出强大的ABIL。ever llms学到的知识是否可以转移到未知的临床心脏病学上。在这项工作中，我们的目标是通过将LLM的知识转移到临床心电图（ECG）（ECG）来弥合这一差距。为了解决这个问题，我们提出了一种用于心血管疾病诊断和自动ECG诊断报告生成的方法。我们还通过最佳运输（OT）引入了额外的损失函数，以使ECG和语言嵌入之间的分布对齐。在下游任务上评估了学习的嵌入：（1）自动ECG诊断报告的生成，以及（2）零射的疾病疾病检测。我们的方法能够生成高质量的心脏诊断报告，甚至与监督基线相比，甚至还可以达到竞争性的零射击分类性能，这证明了将知识从LLMS转移到心脏领域的可行性。
长期心血管死亡和疾病的深度学习心电图风险评分
心电图（ECG）是最常执行的心血管诊断测试，但尚不清楚有关长期心血管风险所包含多少信息的信息。在这里，我们报告说，仅基于休息的心电图，深层卷积神经网络可以准确预测心血管死亡率和疾病的长期风险。使用在斯坦福大学医学中心收集的大量静止的12铅ECG数据集，我们开发了斯坦福大学心电图风险估计器Seer。SEER在斯坦福大学的持有测试集中预测，接收器操作员特征曲线（AUC）下的面积为0.83，而在锡达尔斯西尼阿莱医学中心和哥伦比亚大学欧文大学欧文大学欧文中心进行独立评估时，AUC分别为0.78和0.83。SEER预测5年动脉粥样硬化疾病（ASCVD）为0.67，类似于ASCVD风险的合并队列方程，而仅适度相关。与合并的队列方程式结合使用时，SEER会准确地将16％的患者从低风险中重新分类，从而发现一组为9.9％的10年ASCVD风险的群体，这些风险否则不会以其他方式指示他汀类药物治疗。seer还可以预测其他几种心血管疾病，例如心力衰竭和心房。仅使用ECG的铅I，它可以预测5年心血管死亡率，AUC为0.80。seer与汇总队列方程式和其他风险工具一起使用，可以大大改善心血管风险层面的策略，并有助于医疗决策。
用于协作环境中长期心电图监测的物联网设备
具有无线连接的无处不在的心电图 (ECG) 传感将成为传统医院内医疗监测的可靠替代方案。本文介绍了一种使用协作诊断网络上的 IoT 环境的长期 ECG 测量设备原型。我们提出了一个协作愿景，即在设计长期 ECG 监测设备的两个主要路径上开展工作：设计路径和决策路径。设计路径包括传感器设计、模拟前端设计、IoT 设备设计、网关应用程序和云应用程序。决策路径是从获取的 ECG 信号到 IoT 设备级别的软件决策、网关级别和云应用程序级别的软件决策，再到人类所代表的最高级别。我们根据皮肤电极接触阻抗、运动伪影、信号质量和皮肤电极化学相互作用，总结了导电纺织品 (ECT) 作为长期可穿戴 ECG 电极的主要材料的演变和性能。所提出的系统拓扑结构旨在降低协作诊断网络环境中的功耗。
使用动态心电图波形诊断心房颤动的可解释人工智能模型
摘要 心房颤动是一种临床上重要的心律失常。有一些关于使用心电图数据进行 AF 诊断的机器学习模型的报道。然而，很少有报道提出一种可解释的人工智能 (XAI) 模型，使医生能够轻松理解机器学习模型的诊断结果。我们开发并验证了一种基于卷积神经网络 (CNN) 算法的支持 XAI 的心房颤动诊断模型。我们使用了 Holter 心电图监测数据和梯度加权类激活映射 (Grad-CAM) 方法。我们使用了 2016 年 1 月 4 日至 2019 年 10 月 31 日期间记录的患者心电图数据，共计 57,273 个 30 秒的心电图波形槽，每个波形槽都有心脏病专家注释的诊断信息，用于训练我们提出的模型。我们的人工智能模型用于房颤诊断的性能指标如下：敏感性 97.1%（95% CI：0.969-0.972）；特异性 94.5%（95% CI：0.943-0.946）；准确率 95.3%（95% CI：0.952-0.955）；阳性预测值 89.3%（95% CI：0.892-0.897）；F 值 93.1%（95% CI：0.929-0.933）。使用我们的模型进行房颤检测的受试者工作特征曲线下面积为 0.988（95% CI：0.987-0.988）。此外，使用 XAI 方法，我们的机器学习模型确定的感兴趣区域中的 94.5 ± 3.5% 被心脏病专家确定为 AF 诊断的特征部位。使用我们提出的基于 CNN 的 XAI 模型，AF 被准确诊断并用 Holter ECG 波形得到良好解释。我们的研究朝着实现可行的基于 XAI 的 AF 诊断检测模型又迈出了一步，供医生使用。（Int Heart J 2021；62：534-539）关键词：卷积神经网络、机器学习、Holter 监测、梯度加权类激活映射
利用心电图信号进行深度学习驱动的心脏病预测
ECG 结构的非平稳动机是评估心跳速度和节律的重要读数，因此可以评估心脏的健康状况。本文提出了一种用于自动 ECG 分类的稳健方法，将数据分为两类：正常和病理性心血管模式的变化。更具体地说，收集到的 ECG 信号被归一化、过滤以消除噪声干扰。因此，形态属性被形成以尽可能地表示类别的特征。ACO 被纳入分割和特征选择中，以减少异常的特征向量。ECG 信号的分类是通过使用双长期短期记忆 (Bi-LSTM) 神经网络进行的，因为它是一种经过验证的序列预测网络，并且能够捕获数据中的长期时间依赖性。评估标准表明，相对于其他提出的 ECG 分类，所提出的方法达到了 90% 的分类准确率。已经确定 ACO 与 Bi-LSTM 的结合提供了改进的 ECG 分类，从而使其成为临床诊断和治疗监测的有用工具。
CoAt-Mixer：利用心电图检测左心室肥大的自注意力深度学习框架
左心室肥大是全因死亡和发病的重要独立危险因素，在心脏变化早期准确诊断具有重要的临床意义。心电图是初级保健中最方便、经济、无创的筛查方法。然而，实际的左心室肥大与诊断结果的符合率较低，因此人们对使用大数据和深度学习的算法的兴趣增加了。我们尝试使用大数据和深度学习算法来诊断左心室肥大，并旨在根据男性和女性的差异确认其诊断能力。这项回顾性研究使用了 2010 年 10 月至 2020 年 2 月在韩国原州延世大学原州 Severance 基督教医院获得的心电图。对左心室肥大的初步筛查进行了二元分类。实验中使用了三个数据集：男性、女性和整个数据集。二元分类的截止值定义为与筛选测试有意义的值（< 132 g/m 2 vs. 132 g/m 2 ，< 109 g/m 2 vs. 109 g/m 2 ）。分类任务使用了六种类型的输入。我们试图确定心电图是否具有对左心室肥大诊断的预测能力。对于整个数据集，该模型的受试者工作特征 (AUROC) 曲线下面积为 0.836（95% CI，0.833–838），灵敏度为 78.37%（95% CI，76.79–79.95）。对于男性数据集，AUROC 为 0.826（95% CI，0.822–830），灵敏度为 76.73%（95% CI，75.14–78.33）。对于女性数据集，AUROC 为 0.772（95% CI，0.769–775），灵敏度为 72.90%（95% CI，70.33–75.46）。我们的模型证实，左心室肥大可以在一定程度上通过心电图、人口统计学和心电图特征进行分类。特别是，我们构建了一个考虑性别差异的学习环境。因此，证实了男女之间的诊断能力差异。我们的模型将帮助疑似左心室肥大的患者以低成本接受筛查测试。此外，我们的
通过可解释的高级心电图估计的心脏年龄差距与心血管危险因素和生存有关
A-ECG和DNN-AI心脏年龄均适用于接受临床心血管磁性复合成像的患者。使用逻辑回归评估了A-ECG或DNN-AI心脏年龄差距与心血管危险因素之间的关联。使用针对临床协变量/合并症调整的COX回归评估了心脏年龄差距与死亡或心力衰竭（HF）住院治疗之间的关联。在患者中[n = 731，103（14.1％）死亡，52（7.1％）HF住院治疗，中值（四分位间范围）随访5.7（4.7-6.7）年]，A-ECG心脏年龄差距与风险因素和外观有关[未经调整的危险率（95％）（95％的置信度）（95％置信区）（95％置信区）（5年） （1.13–1.34）和调整后的HR 1.11（1.01–1.22）]。dnn-ai心脏年龄间隙与调整后的危险因素和结果相关[HR（5年增量）：1.11（1.01-1.21）]，但在未经调整的分析[HR 1.00（0.93-1.08）]中无关，使其不易适用于临床实践。