Cardiovascular disease/stroke risk stratification in deep learning framework: a review
Notice bibliographique
Résumé
The global mortality rate is known to be the highest due to cardiovascular disease (CVD). Thus, preventive, and early CVD risk identification in a non-invasive manner is vital as healthcare cost is increasing day by day. Conventional methods for risk prediction of CVD lack robustness due to the non-linear relationship between risk factors and cardiovascular events in multi-ethnic cohorts. Few recently proposed machine learning-based risk stratification reviews without deep learning (DL) integration. The proposed study focuses on CVD risk stratification by the use of techniques mainly solo deep learning (SDL) and hybrid deep learning (HDL). Using a PRISMA model, 286 DL-based CVD studies were selected and analyzed. The databases included were Science Direct, IEEE Xplore, PubMed, and Google Scholar. This review is focused on different SDL and HDL architectures, their characteristics, applications, scientific and clinical validation, along with plaque tissue characterization for CVD/stroke risk stratification. Since signal processing methods are also crucial, the study further briefly presented Electrocardiogram (ECG)-based solutions. Finally, the study presented the risk due to bias in AI systems. The risk of bias tools used were (I) ranking method (RBS), (II) region-based map (RBM), (III) radial bias area (RBA), (IV) prediction model risk of bias assessment tool (PROBAST), and (V) risk of bias in non-randomized studies-of interventions (ROBINS-I). The surrogate carotid ultrasound image was mostly used in the UNet-based DL framework for arterial wall segmentation. Ground truth (GT) selection is vital for reducing the risk of bias (RoB) for CVD risk stratification. It was observed that the convolutional neural network (CNN) algorithms were widely used since the feature extraction process was automated. The ensemble-based DL techniques for risk stratification in CVD are likely to supersede the SDL and HDL paradigms. Due to the reliability, high accuracy, and faster execution on dedicated hardware, these DL methods for CVD risk assessment are powerful and promising. The risk of bias in DL methods can be best reduced by considering multicentre data collection and clinical evaluation.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».