Tiefes Lernen zur Detektion von Myokardinfarkten auf der Ebene von Kardiologen in Elektrokardiogrammen

Der Myokardinfarkt ist die führende Todesursache weltweit. In dieser Arbeit entwickeln wir domäneninspirierte neuronale Netzmodelle zur Erkennung von Myokardinfarkten. Zunächst untersuchen wir den Beitrag verschiedener Elektrodenleitungen (Leads). Diese systematische Analyse, die als erste ihrer Art in der Literatur durchgeführt wurde, zeigt, dass von den 15 EKG-Leitungen die Daten der Leitungen v6, vz und II für die korrekte Identifizierung eines Myokardinfarkts entscheidend sind. Als Nächstes nutzen wir dieses Ergebnis und passen das ConvNetQuake-Neuronenmodell an – ursprünglich entwickelt zur Erdbebenidentifikation – um Spitzenwerte bei der Klassifikation von Myokardinfarkten zu erzielen. Dabei erreichen wir eine Klassifizierungsrate von 99,43 % bei einer Aufzeichnungsbasierten Aufteilung und 97,83 % bei einer Patientenbasierten Aufteilung. Diese beiden Ergebnisse repräsentieren ein Leistungsniveau vergleichbar mit dem von Kardiologen bei der Erkennung von Myokardinfarkten, wobei unser Modell nur mit 10 Sekunden roher EKG-Daten gefüttert wird. Schließlich zeigen wir, dass unser mehrkanaliges EKG-Neuronales Netzwerk eine kardiologische Leistung erzielt, ohne dass manuelle Merkmalsextraktion oder Datenvorverarbeitung erforderlich sind.