Automatic Detection of Congestive Heart Failure Based on Multiscale Residual UNet++: From Centralized Learning to Federated Learning
Notice bibliographique
Résumé
Congestive heart failure (CHF) is a progressive and complex syndrome resulted from ventricular dysfunction, which is difficult to detect at early stages. Heart rate variability (HRV) has been identified as a prognostic indicator for CHF. The traditional diagnosis methods based on analyzing the electrocardiogram (ECG) are time-consuming and laborious, and the interpretation of the results is subjective. Inspired by the outstanding performance of U-shaped networks in medical image segmentation, in this article, we propose a novel end-to-end classification model based on 2000 intervals between successive R-peaks of ECG signals. The proposed model integrates the outputs of encoders, decoders, and intermediate units through a unified scale operation, which can not only preserve low-level details from the input signals but also extract the high-level pathology-related information. We further employ a variant of residual module with group convolution and squeeze-and-excitation (SE) block, enhancing the network’s expression capability. In addition, considering the challenge of collecting large and diverse samples by individual institutions, we decentralize the data across different clients and extend the proposed model with a federated version, which is able to facilitate multi-institutional collaborations while maintaining data anonymity. A total of 29 CHF patients and 177 non-CHF subjects (i.e., 54 normal sinus rhythm (NSR) subjects, 84 atrial fibrillation (AF), and 39 Apnea subjects) from PhysioBank are included in this article. The experimental results show that the proposed model outperforms the state of the art both in centralized and decentralized learning, with an accuracy of 89.83% and 87.54%, respectively. The diagnosis model trained in federated framework provides competitive performance to that in centralized learning, which demonstrates its potential of utilizing multisite data to improve CHF detection performance without sharing patient privacy.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».