论文部分内容阅读
背景及目的:随着计算机芯片能力的日益发展及大数据时代的来临,基于计算机深度学习技术的人工智能模型已能通过模拟人类大脑的神经网络结构,对输入的信息进行处理,并通过各层复杂计算,最终根据对输入数据的理解而实现预测。近年来,深度学习模型已逐渐被运用到医疗领域,它在心电图诊断中的应用开始起步。本研究运用计算机深度学习的方法,初步建立三个儿童室性早搏的卷积神经网络模型,比较并评价其对儿童室性早搏的诊断价值。方法:采集上海市儿童医院就诊的1200例儿童室性早搏的体表心电图作为室性早博组,并以同期性别、年龄匹配的1200例正常儿童心电图作为正常对照组,剔除个别不适于模型训练的心电图,在两组中随机抽取800例样本,运用计算机深度学习的方法,训练建立三种自动诊断儿童室性早搏的计算机卷积神经网络模型。另外在各组剩下的数据中各抽取200例样本,用于验证各个模型的性能。利用统计学方法,以上海市儿童医院心内科心电图专家小组的诊断作为“金标准”,计算模型诊断儿童室性早搏的灵敏度、特异性、漏诊率、误诊率、阳性预测值、阴性预测值、准确率、Kappa值等指标,评价模型的可靠性和真实性。结果:运用计算机深度学习的方法,利用心电图波形图像建立了二维神经网络模型和Inception V3模型,利用心电图时间序列数据建立的一维神经网络模型,其中二维神经网络模型的灵敏度65%、特异度71.5%、漏诊率35%、误诊率28.5%、阳性预测值69.5%、阴性预测值67.1%、准确率68.2%、Kappa值0.365;Inception V3模型的灵敏度82%、特异度85%、漏诊率18%、误诊率15%、阳性预测值84.5%、阴性预测值82.5%、准确率83.5%、Kappa值0.670;一维神经网络模型的灵敏度87.5%、特异度89.5%、漏诊率12.5%、误诊率10.5%、阳性预测值89.3%、阴性预测值87.7%、准确率88.5%、Kappa值0.770;Inception V3模型与一维神经网络模型性能良好,其中一维神经网络模型真实性和可靠性最佳,Kappa值0.77提示与上海市儿童医院心内科心电图专家小组的诊断高度一致性。结论:运用计算机深度学习的方法建立了用于自动诊断儿童室性早搏的卷积神经网络模型,其中一维神经网络模型有望在将来进一步完善后应用于临床,以提高儿童室性早搏的临床诊断效率及诊断准确率,并为后续建立24小时心电图及运动平板实验心电图的自动检测模型提供依据。