深度学习模型ISENet：长程心电监测中缺血性ST段改变的智能检测新突破

来自国际团队的研究人员针对心肌缺血自动检测难题，开发出基于深度学习的轻量级神经网络ISENet。该模型通过PhysioNet长程ST数据库的十折交叉验证，实现83.5%的缺血性ST改变事件(ISE)检测准确率，显著优于VGG19/ResNet50等基准模型，为克服非缺血性ST改变事件(HRE/ASE/CCE)的干扰提供了创新解决方案。

　　

在心血管疾病监测领域，长程心电图(ECG)监测堪称捕捉无症状或间歇性心肌缺血的"黄金守门人"。当心肌供血不足时，心电图上会闪现转瞬即逝的ST段水平和形态改变——这就是缺血性ST改变事件(Ischemic ST-change Events, ISE)的典型标志。然而，要在这片充满"噪声"的心电海洋中准确捕捞ISE信号绝非易事，心率相关ST改变(HRE)、电轴偏移(ASE)和传导改变(CCE)等"伪装者"时刻干扰着检测精度。

科研团队祭出"AI神器"ISENet，这个轻量级深度学习神经网络就像配备ST段"显微眼镜"的智能侦探。依托PhysioNet长程ST数据库的海量心电数据，经过十轮严格的交叉验证训练，ISENet展现出83.5%的ISE识别准确率，不仅把传统模型VGG19和ResNet50甩在身后，还实现了模型复杂度的"瘦身革命"。这项开创性研究首次将深度学习引入长程ST数据库的ISE检测，相比传统的特征工程方法，犹如为心肌缺血监测装上了"智能导航系统"。