深度学习算法在心电图诊断中的临床价值分析
曹春歌1
沈瑞琪2
刘姝静1
王雅楠2
李俊伟1
杨翠微2
王红宇1
1.030001 山西省太原市,山西医科大学第二医院心电诊断科2.复旦大学信息科学与工程学院生物医学工程系
摘要：目的 对比四种深度学习模型(ResNet18、GRU、1D-CNN、Transformer)在处理12导联心电图数据时,针对二分类(正常/异常)和四分类(正常、传导异常、ST-T改变、心肌梗死)任务的诊断性能,以评估其临床应用价值.方法 利用PTB-XL数据集对模型进行训练,并通过山西医科大学第二医院2018年4月13日至2023年10月15日期间的SXMU-2k数据集进行跨数据库验证.在优化超参数后,分别在PTB-XL第10折和SXMU-2k测试集上评估模型性能.结果 在PTB-XL四分类任务中,GRU模型在NORM、STTC、MI的诊断上取得了最高的Fl分数(分别为0.88、0.66、0.73),而ResNet18模型在CD的诊断中表现最佳(F1分数为0.75).综合来看,GRU模型的整体性能最为出色,其在四分类和二分类任务中的准确率分别达到了 81％和85％.在跨数据库验证方面,GRU在SXMU-2k数据库上的四分类和二分类准确率更是高达84％和97％.结论 GRU模型在12导联心电图的多维度分析中展现出最小的精度偏差和最强的泛化能力,显示出其显著的临床实用价值.跨数据库的临床验证结果进一步证实了该模型的泛化能力.
关键词：深度学习心电图诊断诊断性能临床应用
分类号：R540.4+1(心脏、血管（循环系）疾病)
论文发表日期：2025-06-20
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：8( 502-509 )
英文信息