儿童室性早搏计算机卷积神经网络模型的建立和评价

发布时间：2020-05-13 14:51

【摘要】：背景及目的:随着计算机芯片能力的日益发展及大数据时代的来临,基于计算机深度学习技术的人工智能模型已能通过模拟人类大脑的神经网络结构,对输入的信息进行处理,并通过各层复杂计算,最终根据对输入数据的理解而实现预测。近年来,深度学习模型已逐渐被运用到医疗领域,它在心电图诊断中的应用开始起步。本研究运用计算机深度学习的方法,初步建立三个儿童室性早搏的卷积神经网络模型,比较并评价其对儿童室性早搏的诊断价值。方法:采集上海市儿童医院就诊的1200例儿童室性早搏的体表心电图作为室性早博组,并以同期性别、年龄匹配的1200例正常儿童心电图作为正常对照组,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,训练建立三种自动诊断儿童室性早搏的计算机卷积神经网络模型。另外在各组剩下的数据中各抽取200例样本,用于验证各个模型的性能。利用统计学方法,以上海市儿童医院心内科心电图专家小组的诊断作为“金标准”,计算模型诊断儿童室性早搏的灵敏度、特异性、漏诊率、误诊率、阳性预测值、阴性预测值、准确率、Kappa值等指标,评价模型的可靠性和真实性。结果:运用计算机深度学习的方法,利用心电图波形图像建立了二维神经网络模型和Inception V3模型,利用心电图时间序列数据建立的一维神经网络模型,其中二维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;Inception 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;Inception V3模型与一维神经网络模型性能良好,其中一维神经网络模型真实性和可靠性最佳,Kappa值0.77提示与上海市儿童医院心内科心电图专家小组的诊断高度一致性。结论:运用计算机深度学习的方法建立了用于自动诊断儿童室性早搏的卷积神经网络模型,其中一维神经网络模型有望在将来进一步完善后应用于临床,以提高儿童室性早搏的临床诊断效率及诊断准确率,并为后续建立24小时心电图及运动平板实验心电图的自动检测模型提供依据。
【图文】：

神经元结构,神经网络

念机器学习领域一个前沿的研究方向，最早由多伦2006 年提出,指基于样本数据通过一定的训练方法构的机器学习（machine learning）过程[21]。它利到高级特征，拟合一个复杂函数的算法［8］建立,在处理图像、声音和文本这些信号时,通过多个,进而给出数据的解释［22］。深度学习在最近十多者的关注。在过去，人工智能学科中存在着一些克服了这些问题，在特征提取和模型建立这两方g）模型都有相当大的优势、其善于从输入的原始并有很好的泛化能力。随着训练数据量的增长以机视觉、语言识别和处理、目标检测等领域成效的深度网络结构包含大量的单一元素(神经元), 神是人工神经网络最基本的单元，其结构模型如图

多层感知机

经网络具有分类的能力，被广泛应用于图像识别、信号处理、见的前馈神经网络包括了多层感知机和本文所研究的卷积神经网较早出现的多层感知机是由输入层（input layer）、隐含层（h（output layer）构成的模型，如图 2-2（图 2-2 MLP 结构含层神经元负责接收数据信号，隐含层及输出层每个神经元和其元都互相连接，即全连接，，而在同一层的神经元互不相连。图神经元间的连接，其方向为信号传输方向，每个连接都有自己神经元输出值的加权和作为下一层隐含层和输出层中每个神经知器存在的最大的问题是它作为一个全连接的网络，每个连接，因此在输入大数据的时候，权值特别多。这个问题一方面限够容纳的最大神经元数目，另一方面也限制了多层感知器的层器的另一个问题是梯度发散，即在深度增加的情况下，从后传来越小，甚至对更新权值起不到帮助，从而失去训练效果。因经网络在很长时间内都被研究者们冷落了。
【学位授予单位】：上海交通大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R725.4;TP183

【参考文献】