查看“WikiEdge:ArXiv-2408.17154v1/abs”的源代码

<!-- 不要移除下面第一行，如果有编辑错误，请直接修改第二行以后的内容 -->
<div style="float: right;">[{fullurl:WikiEdge:ArXiv-http://arxiv.org/abs/2408.17154v1/abs|action=edit} 编辑]</div>
* '''标题'''：Self-supervised Anomaly Detection Pretraining Enhances Long-tail ECG Diagnosis
* '''中文标题'''：自监督异常检测预训练增强长尾心电图诊断
* '''发布日期'''：2024-08-30T09:48:47+00:00
* '''作者'''：Aofan Jiang, Chaoqin Huang, Qing Cao, Yuchen Xu, Zi Zeng, Kang Chen, Ya Zhang, Yanfeng Wang
* '''分类'''：cs.CV
*'''原文链接'''：http://arxiv.org/abs/2408.17154v1
'''摘要'''：当前的计算机辅助[[心电图]]（[[ECG]]）诊断系统由于ECG数据集的不平衡性，在检测稀有但关键的[[心脏异常]]方面存在困难。本研究引入了一种新颖的方法，使用[[自监督]]异常检测预训练来解决这一限制。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，捕捉准确ECG解释所需的细微细节。在超过一百万条临床实践中的ECG记录的广泛数据集上进行验证，该数据集在116个不同类别中具有[[长尾分布]]，异常检测预训练的ECG诊断模型显示出显著的整体准确性提升。值得注意的是，我们的方法在稀有ECG类型上取得了94.7%的[[AUROC]]、92.2%的[[敏感性]]和92.5%的[[特异性]]，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，代表了对该领域的重大贡献，解决了临床诊断中长期存在的长尾数据分布挑战。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[[AI]]驱动方法分别提高了诊断效率、精确度和完整性32%、6.7%和11.8%。这一进步标志着AI在临床[[心脏病学]]中整合的关键一步，特别是对急诊护理具有深远影响，在急诊护理中快速准确的ECG解释至关重要。本研究的贡献不仅推动了当前ECG诊断能力的边界，还为更可靠和可及的[[心血管护理]]奠定了基础。