Detecting Cardiac Abnormalities with Multi-Lead ECG Signals: A Modular Network Approach
Notice bibliographique
Résumé
Globally, heart disease has been the leading cause of death for more than two decades. There is a need to develop intelligent architectures to handle a variety of real life clinical scenarios when a 12-lead ECG is not a viable option. We propose a method using wide and deep CNN architectures to classify cardiac abnormalities from 12, 6, 4, 3, and 2 leads ECGs. These five networks were created for the PhysioNet/CinC Challenge 2021, by the Biomedic2ai team. ECG signals were down-sampled to 100Hz and partitioned with 5-second windows using a sliding 4-second overlap. A one-dimensional deep CNN (1D-dCNN) module was used to preserve sequentially related features embedded in the signals. A feature extraction module was added to the 1D-dCNN, creating a ‘wide and deep modular network’. This framework allows the addition or removal of modules to optimize classification models. We achieved test scores of 0.36, 0.30, 0.31, 0.29, and 0.34 (ranked 23rd, 26th, 26th, 27th, and 22nd out of 39 officially ranked teams) for 12,6,4,3, and 2 leads, respectively, on the hidden test set provided by the challenge. Our model demonstrates potential with the wide modular network. The framework also provides the flexibility to integrate clinical knowledge in the future modules to improve the overall classification performance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».