PCG-CL:一种轻量级的基于Transformer的持续学习方法,用于HFpEF(高血压性心力衰竭)的检测

《IEEE Transactions on Instrumentation and Measurement》:PCG-CL: A Lightweight Transformer-Enhanced Continual Learning Approach for HFpEF Detection

【字体: 大 中 小 】 时间:2026年01月07日 来源:IEEE Transactions on Instrumentation and Measurement 5.9

编辑推荐:

  非侵入性心音图(PCG)对HFpEF的辅助诊断研究提出持续学习框架PCG-CL,结合轻量级深度网络与单头Transformer,通过课程学习策略优化知识迁移,临床数据验证准确率达94.52%,参数效率提升显著。

  

摘要:

非侵入性心音图(PCG)在检测射血分数保留的心力衰竭(HFpEF)方面具有巨大潜力,这是一种复杂且异质性的临床综合征。然而,临床数据的局限性阻碍了这一领域的深入研究。尽管深度学习在性能上优于传统机器学习,但其对大规模标注数据集的依赖以及在增量学习过程中容易发生灾难性遗忘的问题仍然存在显著挑战。为了解决这些挑战,本研究提出了一种新颖的持续学习(CL)框架——PCG-CL,该框架结合了特定的训练策略,并基于一个轻量级的深度网络(0.61百万参数)构建,同时加入了单头Transformer。这种设计能够协调促进全局和局部特征的处理,提高对心音(HS)特征的识别能力,并在临床数据逐步增加时实现自适应的知识保留。此外,受课程学习方法的启发,本文根据数据难度对数据进行分类,并依次对其进行训练,以促进任务之间的知识迁移。在临床PCG数据上的评估显示,PCG-CL的准确率达到94.52%,比MobileNetV2高出8.19%,而其参数数量仅为MobileNetV2的27%。这些发现有助于应对HFpEF临床诊断中的灰色地带问题,为临床实践提供了一种有前景的解决方案。

引言

心力衰竭(HF)是一种复杂的心血管疾病,源于心脏无法有效泵血。目前,全球有超过4000万人患有心力衰竭,这种疾病通常伴有高血压和肥胖等并发症[1]。根据美国心脏病学会等机构联合发布的指南,心力衰竭根据左心室射血分数(LVEF)分为四类,其中射血分数保留的心力衰竭(HFpEF)最为常见,约占所有心力衰竭病例的50%[2]、[3]。该疾病的预后较差,两年内的死亡率为23%,五年内的死亡率为55%[4]。此外,预计到2030年,心力衰竭的直接医疗费用将达到约697亿美元[5]。心力衰竭的误诊和漏诊现象较为普遍,主要是由于其临床表现与健康人群存在重叠[6]。值得注意的是,HFpEF患者的LVEF百分比通常处于健康人群的正常范围内(55%–70%)[7]、[8]。同样,传统的诊断指标(如心室肥大、左心房扩大和二尖瓣环速度)在确诊的HFpEF病例中也可能表现为正常,这限制了它们在准确识别该疾病方面的有效性[9]、[10]、[11]。由于缺乏明显的症状以及标准治疗方法对其他心力衰竭亚型的无效性,HFpEF患者常常被忽视。因此,本研究聚焦于HFpEF,旨在开发一种辅助诊断方法来支持其识别。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号