論文の概要: Analysis of an adaptive lead weighted ResNet for multiclass classification of 12-lead ECGs

• arxiv url: http://arxiv.org/abs/2112.01496v1
• Date: Wed, 1 Dec 2021 15:44:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-04 12:24:43.625144
• Title: Analysis of an adaptive lead weighted ResNet for multiclass classification of 12-lead ECGs
• Title（参考訳）: 12誘導心電図の多クラス分類のための適応鉛重み付きResNetの解析
• Authors: Zhibin Zhao, Darcy Murphy, Hugh Gifford, Stefan Williams, Annie Darlington, Samuel D. Relton, Hui Fang, David C. Wong
• Abstract要約: 12個の心電図から24個の心の異常を分類するために,アンサンブル深部ニューラルネットワークアーキテクチャを記述,解析した。 5倍のクロスバリデーションスコアが0.684, 感度と特異性は0.758, 0.969であった。
• 参考スコア（独自算出の注目度）: 1.155818089388109
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background: Twelve lead ECGs are a core diagnostic tool for cardiovascular diseases. Here, we describe and analyse an ensemble deep neural network architecture to classify 24 cardiac abnormalities from 12-lead ECGs. Method: We proposed a squeeze and excite ResNet to automatically learn deep features from 12-lead ECGs, in order to identify 24 cardiac conditions. The deep features were augmented with age and gender features in the final fully connected layers. Output thresholds for each class were set using a constrained grid search. To determine why the model made incorrect predictions, two expert clinicians independently interpreted a random set of 100 misclassified ECGs concerning Left Axis Deviation. Results: Using the bespoke weighted accuracy metric, we achieved a 5-fold cross validation score of 0.684, and sensitivity and specificity of 0.758 and 0.969, respectively. We scored 0.520 on the full test data, and ranked 2nd out of 41 in the official challenge rankings. On a random set of misclassified ECGs, agreement between two clinicians and training labels was poor (clinician 1: kappa = -0.057, clinician 2: kappa = -0.159). In contrast, agreement between the clinicians was very high (kappa = 0.92). Discussion: The proposed prediction model performed well on the validation and hidden test data in comparison to models trained on the same data. We also discovered considerable inconsistency in training labels, which is likely to hinder development of more accurate models.
• Abstract（参考訳）: 背景:12個の心電図は心血管疾患の診断ツールである。 本稿では,24個の心疾患を12誘導心電図から分類するために,アンサンブルディープニューラルネットワークアーキテクチャを記述・解析する。 方法:12誘導心電図から心電図の奥行きを自動学習し,24の心疾患を同定するためのスイーズ・エキサイティング・レネットを提案する。 深い特徴は、最後の完全に接続された層に年齢と性別の特徴が加えられた。 各クラスの出力しきい値は制約付きグリッド検索を使用して設定された。 モデルが誤った予測をした理由を判断するために、2人の専門医は、左軸偏差に関する100の誤分類ECGのランダムなセットを独立に解釈した。 結果: 有意な重み付け精度指標を用いて, 5倍クロス検証スコア0.684, 感度, 特異度0.758, 0.969をそれぞれ達成した。 全テストデータで0.520点を獲得し、公式チャレンジランキングで41点中2位にランクした。 ランダムに分類された心電図では,2つの臨床医とトレーニングラベルの一致が低かった(臨床医1:kaappa = -0.057,臨床医2:kaappa = -0.159)。 対照的に臨床医間の合意は極めて高かった(kappa = 0.92)。 考察:提案した予測モデルは,同一データ上でトレーニングされたモデルと比較して,検証と隠れテストデータに対して良好に動作した。 また、トレーニングラベルにかなりの一貫性がないことも分かり、より正確なモデルの開発に支障をきたす可能性がある。

関連論文リスト

• ECG-SMART-NET: A Deep Learning Architecture for Precise ECG Diagnosis of Occlusion Myocardial Infarction [1.7894680263068135]
  心筋梗塞の診断にはECG--NETが有用である。 OMIは1つ以上の冠動脈の完全閉塞を特徴とする重度の心臓発作である。 OMI症例の3分の2は、12誘導心電図から視覚的に識別することが困難である。
  論文  参考訳（メタデータ） (2024-05-08T19:59:16Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• A Mixed-Domain Self-Attention Network for Multilabel Cardiac Irregularity Classification Using Reduced-Lead Electrocardiogram [10.351641831500924]
  本研究は,心電図から心臓の異常を同定するためのMDAR(Mixed-Domain Self-Attention Resnet)を提案する。 分類器は,12葉,6葉,4葉,3葉,2葉の隠れ検証セットに対して0.602,0.593,0.597,0.591,0.589のスコアを得た。
  論文  参考訳（メタデータ） (2022-04-29T07:35:08Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• Reduced-Lead ECG Classifier Model Trained with DivideMix and Model Ensemble [2.6736079396231807]
  我々は、DivideMixと重み付け(SWA)を組み込んだディープニューラルネットワーク(DNN)ベースのECGモデルを提案する。 DivideMixは、2つの別々のモデルを使用してノイズラベルを洗練するために使用された。 SWAはDivideMixによって生成されたモデルの効果を高めるために使用された。
  論文  参考訳（メタデータ） (2021-09-24T16:41:27Z)
• Quantification of pulmonary involvement in COVID-19 pneumonia by means of a cascade oftwo U-nets: training and assessment on multipledatasets using different annotation criteria [83.83783947027392]
  本研究は、新型コロナウイルスの肺病変の同定、セグメント化、定量化のために人工知能(AI)を活用することを目的とする。 2つのU-netのカスケードをベースとした自動解析パイプラインLungQuantシステムを開発した。 LungQuantシステムにおけるCT-Severity Score(CT-SS)の精度も評価した。
  論文  参考訳（メタデータ） (2021-05-06T10:21:28Z)
• Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
  本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。 最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
  論文  参考訳（メタデータ） (2020-10-29T19:14:41Z)
• Multilabel 12-Lead Electrocardiogram Classification Using Gradient Boosting Tree Ensemble [64.29529357862955]
  我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。 各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。 各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
  論文  参考訳（メタデータ） (2020-10-21T18:11:36Z)
• Interpretable Deep Learning for Automatic Diagnosis of 12-lead Electrocardiogram [15.464768773761527]
  12誘導心電図記録における心不整脈のマルチラベル分類のためのディープニューラルネットワークを開発した。 提案モデルでは、受信機動作特性曲線(AUC)0.970、F1スコア0.813の平均領域を達成した。 最も優れたリードは、12のリードのうち、リードI、aVR、V5である。
  論文  参考訳（メタデータ） (2020-10-20T14:51:00Z)
• ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
  ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。 セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。 このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
  論文  参考訳（メタデータ） (2020-05-11T16:29:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。