Abstract
This paper presents the results of the application of a convolutional neural network to diagnose left atrial and left ventricular hypertrophies by analyzing 12-lead electrocardiograms (ECG). During the study, a new unique dataset containing 64 thousand ECG records was collected and processed. Labels for the two classes under consideration, left ventricular hypertrophy and left atrial hypertrophy, were generated from the accompanying medical reports. A set of signals and obtained labels were used to train a deep convolutional neural network with residual blocks; the resulting model is capable of detecting left ventricular hypertrophy with F-score more than 0.82 and left atrial hypertrophy with F1-score over 0.78. In addition, the search for optimal neural network architecture was carried out and the experimental evaluation of the effect of including patient metadata into the model and signal preprocessing was conducted. Besides, the paper provides a comparative analysis of the difficulty of detecting left ventricular and left atrial hypertrophies in relation to the other two frequently occurring heart activity disorders, namely atrial fibrillation and left bundle branch block.
Highlights
В рамках настоящей работы в результате взаимодействия с несколькими медицинскими центрами в Великом Новгороде был получен новый, уникальный набор данных, содержащий записи ЭКГ в 12 стандартных отведениях
Conv - unidimensional convolution operation, ResBlk - residual block, BN - batch normalization, ReLU - nonlinearity function, Drop - dropout operation, MaxPool - pooling by the maximum function, Lin - fully connected linear layer, Concat - vector concatenation, Sigm - element-wise sigmoid function
Research interests: machine learning, data mining, information extraction, natural language processing, complex networks, social network analysis, big data
Summary
Электрокардиография как эффективный метод инструментальной диагностики в кардиологии непрерывно совершенствуется. Их главной отличительной чертой является способность определять сложные закономерности в данных, так, с помощью обучения глубоких нейронных сетей были достигнуты существенные успехи в компьютерном зрении [5], распознавании речи [6], обработке естественного языка [7], а также ряде медицинских приложений [8, 9], в том числе в автоматической интерпретации ЭКГ [10, 11]. В силу описанных выше причин исследование применимости глубоких нейронных сетей для диагностики гипертрофий левых отделов сердца приобретает особую актуальность. Как и в [10], полученные в данной работе результаты позволяют с оптимизмом смотреть на возможность практического применения нейронных сетей для диагностики заболеваний сердца, так как качество анализа признаков ЭКГ по F-мере в данной работе оказалось выше, чем у ряда врачей специалистов. Несмотря на существенный прогресс в вопросе применимости нейронных сетей для интерпретации электрокардиограмм, использование данных алгоритмов для диагностики гипертрофий левых отделов сердца в настоящий момент не является полностью изученным
Sign-in/Register to view highlights & summary Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a callMore From: Proceedings of the Institute for System Programming of the RAS
Disclaimer: All third-party content on this website/platform is and will remain the property of their respective owners and is provided on "as is" basis without any warranties, express or implied. Use of third-party content does not indicate any affiliation, sponsorship with or endorsement by them. Any references to third-party content is to identify the corresponding services and shall be considered fair use under The CopyrightLaw.
