日本語タイトル#
心電図は十分ですか？心電図を用いた肺塞栓症の深層学習分類
英文タイトル#
Are ECGs enough? Deep learning classification of pulmonary embolism using electrocardiograms
日本語摘要#
肺塞栓症は院外心停止の主要な原因であり、迅速な診断が必要です。コンピュータ断層撮影肺動脈造影は標準的な診断ツールですが、常に利用できるわけではありません。心電図は、コストが低く、迅速で、多くの環境で利用可能なため、さまざまな心臓異常の診断において重要なツールです。しかし、特に肺塞栓症に関する公共の心電図データセットの利用可能性は限られており、実際にはこれらのデータセットは小さい傾向があり、学習戦略の最適化が不可欠です。本研究では、さまざまなアプローチの影響を評価するために、複数の神経ネットワークの性能を調査します。さらに、移転学習を使用して、PTB-XL、CPSC18、MedalCare-XL などの大規模な心電図データセットから学んだ情報を、より小さく、より挑戦的な肺塞栓症データセットに移す際に、これらの実践がモデルの一般化能力を向上させるかどうかを検討します。移転学習を活用することで、限られたデータ上で学習効率と予測性能をどの程度向上させることができるかを分析します。コードは https://github.com/joaodsmarques/Are-ECGs-enough-Deep-Learning-Classifiers で入手可能です。
英文摘要#
Pulmonary embolism is a leading cause of out of hospital cardiac arrest that requires fast diagnosis. While computed tomography pulmonary angiography is the standard diagnostic tool, it is not always accessible. Electrocardiography is an essential tool for diagnosing multiple cardiac anomalies, as it is affordable, fast and available in many settings. However, the availability of public ECG datasets, specially for PE, is limited and, in practice, these datasets tend to be small, making it essential to optimize learning strategies. In this study, we investigate the performance of multiple neural networks in order to assess the impact of various approaches. Moreover, we check whether these practices enhance model generalization when transfer learning is used to translate information learned in larger ECG datasets, such as PTB-XL, CPSC18 and MedalCare-XL, to a smaller, more challenging dataset for PE. By leveraging transfer learning, we analyze the extent to which we can improve learning efficiency and predictive performance on limited data. Code available at https://github.com/joaodsmarques/Are-ECGs-enough-Deep-Learning-Classifiers .
PDF 取得#
抖音でスキャンしてさらに素晴らしいコンテンツを見る