17 天前

基于PTB-XL数据集的深度学习在心电图分析中的应用:基准测试与洞察

Nils Strodthoff, Patrick Wagner, Tobias Schaeffter, Wojciech Samek
基于PTB-XL数据集的深度学习在心电图分析中的应用:基准测试与洞察
摘要

心电图(Electrocardiography)是一种广泛应用且无创的诊断方法,其结果的解读正越来越多地依赖于自动分析算法的支持。然而,迄今为止,自动心电图分析领域的发展一直受到两个关键瓶颈的制约:一是缺乏用于训练的合适数据集,二是缺乏统一、明确的评估方法,难以确保不同算法之间的可比性。为缓解这些问题,我们首次公布了针对近期发布且公开获取的PTB-XL数据集的基准测试结果。该数据集涵盖了多种任务,包括心电图报告的多类预测、年龄与性别预测,以及信号质量评估等。研究发现,卷积神经网络(尤其是基于ResNet和Inception架构的模型)在所有任务中均表现出最强的性能,显著优于传统的基于特征提取的算法。此外,我们还通过深入分析分类模型的隐含分层结构、模型不确定性以及初步的可解释性分析,进一步揭示了算法内部的工作机制。同时,我们还提供了针对ICBEB2018挑战赛心电图数据集的基准测试结果,并探讨了利用在PTB-XL数据集上预训练的分类器进行迁移学习的潜力。本研究旨在推动PTB-XL数据集成为心电图分析算法结构化基准测试的重要资源,鼓励更多该领域的研究人员共同参与并推进这一标准化进程。