WikiEdge:ArXiv-2408.17154v1/abs

[{fullurl:WikiEdge:ArXiv-http://arxiv.org/abs/2408.17154v1/abs%7Caction=edit} 編輯]

• 標題：Self-supervised Anomaly Detection Pretraining Enhances Long-tail ECG Diagnosis
• 中文標題：自監督異常檢測預訓練增強長尾心電圖診斷
• 發布日期：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
• 分類：cs.CV
• 原文鏈接：http://arxiv.org/abs/2408.17154v1

摘要：當前的計算機輔助心電圖（ECG）診斷系統由於ECG數據集的不平衡性，在檢測稀有但關鍵的心臟異常方面存在困難。本研究引入了一種新穎的方法，使用自監督異常檢測預訓練來解決這一限制。該異常檢測模型專門設計用於檢測和定位正常心臟模式的細微偏差，捕捉準確ECG解釋所需的細微細節。在超過一百萬條臨床實踐中的ECG記錄的廣泛數據集上進行驗證，該數據集在116個不同類別中具有長尾分布，異常檢測預訓練的ECG診斷模型顯示出顯著的整體準確性提升。值得注意的是，我們的方法在稀有ECG類型上取得了94.7%的AUROC、92.2%的敏感性和92.5%的特異性，顯著優於傳統方法，並縮小了與常見ECG類型的性能差距。將異常檢測預訓練整合到ECG分析中，代表了對該領域的重大貢獻，解決了臨床診斷中長期存在的長尾數據分布挑戰。此外，在真實世界臨床環境中的前瞻性驗證表明，與標準實踐相比，我們的AI驅動方法分別提高了診斷效率、精確度和完整性32%、6.7%和11.8%。這一進步標誌着AI在臨床心臟病學中整合的關鍵一步，特別是對急診護理具有深遠影響，在急診護理中快速準確的ECG解釋至關重要。本研究的貢獻不僅推動了當前ECG診斷能力的邊界，還為更可靠和可及的心血管護理奠定了基礎。