ECG-SMART-NET：一种用于精准诊断闭塞性心肌梗死的深度学习架构

《IEEE Transactions on Biomedical Engineering》：ECG-SMART-NET: A Deep Learning Architecture for Precise ECG Diagnosis of Occlusion Myocardial Infarction

闭塞型心肌梗死（OMI）的ECG智能识别模型研究。提出ECG-SMART-NET改进ResNet-18架构，采用1xk时序卷积捕捉单导时序特征，12x1空间卷积整合多导空间信息，在10,393例临床数据测试中AUC达0.953，优于随机森林和原始ResNet-18。

　　

摘要：

目标：在本文中，我们开发并评估了ECG-SMART-NET模型，用于识别阻塞性心肌梗死（OMI）。OMI是一种严重的心脏病发作形式，其特征是一个或多个冠状动脉完全堵塞，需要立即进行心脏导管插入术以恢复心脏的血液供应。三分之二的OMI病例难以通过12导联心电图（ECG）进行视觉识别，如果不能迅速识别，可能会危及生命。关于这一主题的先前研究很少，目前的最新研究表明，基于特征的随机森林和卷积神经网络（CNN）都是提高ECG检测OMI效果的有希望的方法。方法：虽然ResNet架构已被调整用于ECG记录，但它并不适合捕捉每个导联中的时间特征以及导联之间的空间一致性或不一致性。我们提出了一种基于临床经验的ResNet-18架构修改方案。该模型首先通过带有1xk核的时间卷积层学习时间特征，然后在残差块之后使用带有12x1核的空间卷积层来学习空间特征。结果：ECG-SMART-NET在包含7,397名患者（OMI发生率为7.2%）的10,393份ECG的多站点真实临床数据集上，与原始ResNet-18和其他最先进模型进行了基准测试，其测试AUC为0.953 [0.921, 0.978]。结论与意义：ECG-SMART-NET在OMI预测方面优于最先进的随机森林模型，并且比原始ResNet-18架构更适合这项任务。

引言

深度学习已被广泛应用于图像分类、自然语言处理、供应链和医疗诊断等领域[1]、[2]、[3]、[4]。更深层次的模型能够学习数据中更复杂的特征，然而，当模型变得过于复杂时，由于梯度消失问题，它们的性能会开始下降[5]、[6]。为了解决这个问题，ResNet架构引入了跳跃连接[1]。ResNet最初是为图像分类任务设计的，其原始架构是在224 x 224像素的图像上训练的。自问世以来，许多研究人员对ResNet架构进行了修改，并将其用于心电图（ECG）分类任务[7]、[8]、[9]。由于ECG是多通道时间序列数据而非图像，原始的ResNet-18架构需要进行一些调整。在这项工作中，我们提出了一种改进的ResNet-18架构ECG-SMART-NET，用于12导联心电图的中值心跳数据，以进行二分类的阻塞性心肌梗死（OMI）识别。