ECG画像で訓練された畳み込みニューラルネットワークは、信号ベースのモデルと比較して、リズムおよび伝導障害を正確に診断できるか？
ECG画像を使用した新しいCNNモデルはリズムおよび伝導障害を正確に診断し、遠隔地での信号ベースのAIモデルに対するよりアクセスしやすい代替を提供する。
心電図（ECG）の自動診断に人工知能（AI）を適用することで、遠隔地でのケアを改善できますが、稀にしか利用できない信号ベースのデータに依存することで制約があります。我々は、心電図画像のためのマルチラベル自動診断モデルの開発を報告し、より広範な使用に適しています。ブラジルの811の自治体からの2,228,236本の12誘導ECG信号を変則的な導出変形でECG画像に変換し、リズムおよび伝導障害を横断する6つの医師定義の臨床ラベルを特定する畳み込みニューラルネットワーク（CNN）を訓練します。この画像ベースのモデルは、少なくとも2人の心臓専門医によって検証された異なるテストセット（平均AUROC 0.99、AUPRC 0.86）、ドイツからの21,785本のECGの外部検証セット（平均AUROC 0.97、AUPRC 0.73）、および印刷されたECGにおいても優れた性能を示し、信号ベースのモデルよりも優れており、Grad-CAMに基づいて臨床的に関連性のある手がかりを学習します。このモデルは、広範な設定でのECGへのAIの適用を可能にします。
Sanghaら（木曜日）がこの問題を研究した。