May 21, 2020Scientific Reports104 citationsOpen Access

基于ECG数据库构建的卷积神经网络在识别心肌梗死中的表现

HMHisaki MakimotoJichi Medical University MHMoritz HöckmannHeinrich Heine University Düsseldorf TLTina LinUniversity of North Carolina at Chapel Hill

Structured PICO

与医师相比，卷积神经网络（CNN）能否提高在 ECG 图像上识别心肌梗死的准确率？

Population

来自 PTB ECG 数据库的 289 份 ECG，其中包括 148 例心肌梗死（MI）病例。

Intervention

经训练用于识别 ECG 图像中心肌梗死的 6 层卷积神经网络（CNN）。

Comparator

评估相同测试集 ECG 的 10 位医师。

Outcome

通过 F1 分数（精确率和召回率的调和平均值）和准确率衡量的心肌梗死识别能力。surrogate

与由 10 位医师组成的评审组相比，6 层卷积神经网络在从 ECG 图像识别心肌梗死方面表现出显著更高的准确率和 F1 分数。

Abstract

人工智能（AI）在医疗技术领域发展迅速，尤其是在图像分析方面。从心血管病专家评估二维图像中呈现的波形这一意义上讲，心电图（ECG）诊断属于一种图像分析。我们假设采用卷积神经网络（CNN）的 AI 也能够准确识别 ECG 图像和模式。我们使用了由 289 份 ECG（包括 148 例心肌梗死 [MI] 病例）组成的 PTB ECG 数据库来开发用于识别 ECG 中 MI 的 CNN。我们的 CNN 模型具有 6 层架构，使用训练集 ECG 进行了训练。随后，在测试集 ECG 上对我们的 CNN 和 10 位医师进行了测试，并使用 F1（精确率和召回率的调和平均值）和准确率指标比较了他们识别 MI 的能力。与医师相比，我们的 CNN 的 F1 和准确率显著更高（分别为 83 ± 4%、81 ± 4% 对比 70 ± 7%、67 ± 7%，P < 0.0001）。此外，剔除 Goldberger-leads 或将 ECG 图像压缩至四分之一分辨率均未显著降低其识别能力。利用简单的 CNN 进行深度学习图像分析在识别 ECG 上的 MI 方面可达到甚至超越医师的能力。有必要进一步探讨 AI 在 ECG 图像评估中的应用。

问 AI

Bookmark

View Full Paper