作者：刘莉; 黄玉娟; 王健怡; 罗佳佳; 冯飞; 徐...室性期前收缩深度学习卷积神经网络模型儿童
摘要：目的运用计算机深度学习的方法,初步建立3个儿童室性期前收缩的卷积神经网络模型,比较并评价其对儿童室性期前收缩的诊断价值。方法采集1 200例儿童室性期前收缩的体表心电图作为室性早博组,并以同期性别、年龄匹配的1 200例正常儿童心电图作为正常对照组,男女比例3:2,平均年龄均为(6.5±0.5)岁。剔除个别不适于模型训练的心电图,在两组中随机抽取800例样本,运用计算机深度学习的方法,训练建立3种自动诊断儿童室性期前收缩的计算机卷积神经网络模型。另外在室性期前收缩组及对照组剩余的样本中各抽取200例,以心电图专家小组的诊断作为"金标准",利用统计学方法,评价模型的可靠性和真实性。结果利用心电图波形图像建立二维卷积神经网络模型和V3模型,利用心电图时间序列数据建立一维卷积神经网络模型。其中二维卷积神经网络模型的灵敏度65%、特异度71.5%、漏诊率35%、误诊率28.5%、阳性预测值69.5%、阴性预测值67.1%、准确率68.2%、Kappa值0.365;V3模型的灵敏度82%、特异度85%、漏诊率18%、误诊率15%、阳性预测值84.5%、阴性预测值82.5%、准确率83.5%、Kappa值0.670;一维卷积神经网络模型的灵敏度87.5%、特异度89.5%、漏诊率12.5%、误诊率10.5%、阳性预测值89.3%、阴性预测值87.7%、准确率88.5%、Kappa值0.770。结论运用计算机深度学习方法建立的V3模型与一维卷积神经网络模型性能良好,其中一维卷积神经网络模型真实性和可靠性最佳,与专家小组的诊断高度一致。
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
