Faltungsschichtnetzwerk und regelbasierte Algorithmen zur Klassifizierung von 12-Kanal-ECGs

Das Ziel dieser Studie bestand darin, 27 kardiale Abnormalitäten basierend auf einem Datensatz von 43.101 EKG-Aufzeichnungen zu klassifizieren. Es wurde ein hybrider Modellansatz entwickelt, der einen regelbasierten Algorithmus mit verschiedenen Architekturen tiefen Lernens kombiniert. Zwei verschiedene Convolutional Neural Networks (CNNs) wurden verglichen: ein Fully Convolutional Neural Network und ein Encoder-Netzwerk. Außerdem wurden Kombinationen beider Architekturen sowie eine weitere neuronale Netzwerkvariante untersucht, die Alter und Geschlecht als Eingabedaten verwendete. Zwei dieser Kombinationen wurden schließlich mit einem regelbasierten Modell verbunden, das auf abgeleiteten EKG-Features basierte. Die Leistung der Modelle wurde während der Modellentwicklung anhand von Validierungsdaten mittels Hold-out-Validierung evaluiert. Abschließend wurden die Modelle in ein Docker-Image integriert, auf den bereitgestellten Entwicklungsdaten trainiert und auf dem Challenge-Validierungssatz getestet. Das Modell, das die beste Leistung auf dem Challenge-Validierungssatz erzielte, wurde schließlich auf den gesamten Challenge-Testdatensatz deployt und dort evaluiert. Die Bewertung erfolgte anhand eines spezifischen Challenge-Scores.Unser Team, TeamUIO, erzielte einen Challenge-Validierungsscore von 0,377 und einen Gesamttesscore von 0,206 für unser bestes Modell. Der Score auf dem vollständigen Testdatensatz platzierte uns auf Platz 20 von insgesamt 41 Teams in der offiziellen Rangliste.