基于确定学习及心电动力学图的心肌缺血早期检测研究

• Published in: 自动化学报 Vol. 46; no. 9; pp. 1908 - 1926
• Main Authors: 孙庆华, 王磊, 王聪, 王乾, 吴伟明, 赵媛媛, 王喜萍, 董潇男, 周彬, 唐闽
• Format: Journal Article
• Language: Chinese
• Published: 华南理工大学自动化科学与工程学院 广州510641%新疆石河子市人民医院心内科 石河子832000%山东大学控制科学与工程学院 济南250061 01.09.2020; 山东大学智能医学工程研究中心 济南250061%山东大学控制科学与工程学院 济南250061%中国医学科学院阜外医院 北京100037
• Subjects: 心电数据集; 心电动力学图; 心肌缺血; 确定学习
• ISSN: 0254-4156
• DOI: 10.16383/j.aas.c190899

心肌缺血早期检测是心血管疾病领域重要且困难的问题.本文采用心电动力学图(Cardiodynamicsgram,CDG)开展心电图正常及大致正常时的心肌缺血早期检测研究.1)在分析已有基于心电图的心肌缺血检测方法所取得的进展及不足基础上,构建一个既有心电图发生缺血性改变、又有心电图正常及大致正常、且包括经冠脉造影检验为冠脉阻塞性病变和非阻塞性病变的较大规模心肌缺血数据集.2)针对上述数据集中393例心电图正常及大致正常患者,利用确定学习生成每份心电图的心电动力学图,提取对心肌缺血和非缺血具有显著区分能力的心电动力学特征.并以冠脉狭窄≥50％为缺血标准,采用机器学习算法构建心肌缺血检测模型.3)针对上述试验中假阳性病例,利用由确定学习生成的具有明确物理意义的心电动力学图进行逐例分析,发现其中许多假阳性存在慢血流现象(即冠脉非阻塞性病变).对这些慢血流病例重新进行缺血标注,以改善心肌缺血数据集标注精度.通过上述三个步骤构建了更为准确的心肌缺血检测模型,其缺血检测结果:灵敏度90.1％、特异度85.2％、准确率89.0％和受试者工作特征曲线(Receiver operating characteristic curve,ROC)下面积(Area under curve,AUC) 0.93.综上,本文所构建的较大规模心肌缺血数据集可为心肌缺血检测研究和临床研究提供重要的数据基础;且构建的心肌缺血检测模型对心电图正常及大致正常患者具有较强的缺血检测能力;特别是,由确定学习生成的心电动力学图具有较好的可解释性,有助于发现缺血数据标注的偏差和模型的错误,提高心肌缺血检测准确率.