CNN如何提升心电图LVH检测？2024最新AUC达0.921技术解析

在不同的深度神经网络（DNN）中，卷积神经网络（CNN），也称为ConvNet，具有许多优势特征（Indolia等，2018）。CNN通常由三种类型的层（构建块）组成：卷积层、池化层和全连接层（Yamashita等，2018）。前两层负责数据提取，而第三层则将提取的特征排列成输出，例如分类（Yamashita等，2018）。典型的架构包括多次重复的多个卷积层和一个池化层的堆栈，后面跟着一个或多个全连接层（Yamashita等，2018）。 一些研究使用了CNN方法来探讨心电图（ECG）左室肥厚（LVH）与超声心动图评估的LVH之间的关系。Kwon等人使用的CNN方法具有44%的敏感性、94%的特异性、86%的准确性和0.854的AUC（Kwon等，2020）。Kokubo等人使用了19个因素——临床因素（年龄、性别、身高和体重）和心电图特征（心率、节律、PR间期、QT间期、QRS轴、P波轴以及V1、V2、V5和V6导联的QRS电压）作为输入变量。他们开发了一个集成神经网络（ENN）模型，该模型由CNN和DNN组成。他们的CNN具有51%的敏感性、86%的特异性、72%的准确性、70%的阳性预测值（PPV）、90%的阴性预测值（NPV）和0.716的AUC（Kokubo等，2022）。 Zhao等人利用了3120名患者的数据，输入变量包括：临床因素——年龄、性别、病史；实验室因素——血红蛋白、血小板计数、脂质、肌酐、钠、钾；心电图因素——AVL、V5和V6导联的R波；V1和V3导联的S波。最终的心电图数据集包括控制组和LVH组的36,350段心电图。他们的CNN模型对LVH的敏感性为68%，特异性为57%，AUC为0.62。该模型在男性患者中预测LVH的效果优于女性患者（Zhao等，2022）。Cai等人使用了42,127对心电图-经胸超声心动图数据，采用单帧心电图（Cai等，2024）。对于LVH检测，平均AUC为0.916，显著高于使用LR和RF方法获得的结果。结合其他心电图测量数据进一步提高了他们的AUC至0.921（Cai等，2024）。 因此，在成人中，CNN方法的敏感性范围为44%至68%，特异性范围为57%至94%。