Um transformer hierárquico para classificação e diagnóstico de eletrocardiograma
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1311Palavras-chave:
Eletrocardiograma, Diagnóstico Automático, Redes neuraisResumo
Objetivo: O eletrocardiograma (ECG) é uma importante ferramenta utilizada para avaliar condições cardíacas, e o avanço da inteligência artificial permitiu progresso na análise automática de ECGs. Com o objetivo de melhorar o diagnóstico automático e suporte à decisão médica, este artigo apresenta um novo modelo de transformer hierárquico (HiT) para a classificação de ECGs de 12 derivações. Método: O modelo HiT integra blocos convolucionais e de transformers - especialmente projetados com mecanismos de atenção local - direcionando o aprendizado de características locais e globais dos sinais de ECG. Resultados: Utilizando um subconjunto do CODE, uma abrangente base de dados de ECG do Brasil, o modelo foi desenvolvido para reconhecer seis condições cardíacas e apresentou valor médio de f1-score acima de 0.84, superando o estado da arte para os mesmos dados. Conclusão: Assim, demonstra-se o potencial de um transformer hierárquico multinível para um diagnóstico automático mais acurado de doenças cardíacas.
Referências
World Health Organization. Cardiovascular diseases (CVDs) [Internet]. Disponível em: https://www.who.int/news-room/fact-sheets/detail/cardiovascular-diseases-(cvds), acessado em 29 de maio de 2024.
Liu X, Wang H, Li Z, Qin L. Deep learning in ECG diagnosis: A review. Knowledge-Based Systems. 2021;227:107187. DOI: https://doi.org/10.1016/j.knosys.2021.107187
Ribeiro ALP, Paixao GMM, Gomes PR, Ribeiro MH, Ribeiro AH, Canazart JA, Oliveira DM, Ferreira MP, Lima EM, de Moraes JL, et al. Tele-electrocardiography and bigdata: the CODE (Clinical Outcomes in Digital Electrocardiography) study. J Electrocardiol. 2019;57 DOI: https://doi.org/10.1016/j.jelectrocard.2019.09.008
Ribeiro AH, Ribeiro MH, Paixão GMM, Oliveira DM, Gomes PR, Canazart JA, Ferreira MPS, Andersson CR, Macfarlane PW, Meira Jr W, et al. Automatic diagnosis of the 12-lead ECG using a deep neural network. Nat Commun. 2020;11(1):1760. DOI: https://doi.org/10.1038/s41467-020-15432-4
Vaswani A, Shazeer N, Parmar N, Uszkoreit J, Jones L, Gomez AN, Kaiser Ł, Polosukhin I. Attention is all you need. Adv Neural Inf Process Syst. 2017;30.
Dosovitskiy A, Beyer L, Kolesnikov A, Weissenborn D, Zhai X, Unterthiner T, Dehghani M, Minderer M, Heigold G, Gelly S, et al. An image is worth 16x16 words: Transformers for image recognition at scale. arXiv preprint arXiv:2010.11929. 2020.
Dong L, Xu S, Xu B. Speech-transformer: a no-recurrence sequence-to-sequence model for speech recognition. In: 2018 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP); 2018. p. 5884-5888. DOI: https://doi.org/10.1109/ICASSP.2018.8462506
Radford A, Wu J, Child R, Luan D, Amodei D, Sutskever I, et al. Language models are unsupervised multitask learners. OpenAI blog. 2019;1(8):9.
Liu Z, Lin Y, Cao Y, Hu H, Wei Y, Zhang Z, et al. Swin transformer: Hierarchical vision transformer using shifted windows. In: Proceedings of the IEEE/CVF international conference on computer vision. 2021. p. 10012-22. DOI: https://doi.org/10.1109/ICCV48922.2021.00986
Lyon A, Mincholé A, Martínez JP, Laguna P, Rodriguez B. Computational techniques for ECG analysis and interpretation in light of their contribution to medical advances. J R Soc Interface. 2018;15(138):20170821. DOI: https://doi.org/10.1098/rsif.2017.0821
Hannun AY, Rajpurkar P, Haghpanahi M, Tison GH, Bourn C, Turakhia MP, Ng AY. Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network. Nat Med. 2019;25(1):65-69. DOI: https://doi.org/10.1038/s41591-018-0268-3
Hu R, Chen J, Zhou L. A transformer-based deep neural network for arrhythmia detection using continuous ECG signals. Comput Biol Med. 2022;144:105325. DOI: https://doi.org/10.1016/j.compbiomed.2022.105325
Li X, Li C, Wei Y, Sun Y, Wei J, Li X, et al. Bat: Beat-aligned transformer for electrocardiogram classification. In: 2021 IEEE International Conference on Data Mining (ICDM). IEEE; 2021. p. 320-9. DOI: https://doi.org/10.1109/ICDM51629.2021.00043
Wagner P, Strodthoff N, Bousseljot R-D, Kreiseler D, Lunze FI, Samek W, Schaeffter T. PTB-XL, a large publicly available electrocardiography dataset. Scientific Data. 2020;7(1):1-15. DOI: https://doi.org/10.1038/s41597-020-0495-6
Moody GB, Mark RG, Goldberger AL. PhysioNet: a web-based resource for the study of physiologic signals. IEEE Eng Med Biol Mag. 2001;20(3):70-75. DOI: https://doi.org/10.1109/51.932728
Loshchilov I, Hutter F. Decoupled weight decay regularization. arXiv preprint arXiv:1711.05101. 2017.
Loshchilov I, Hutter F. SGDR: Stochastic gradient descent with warm restarts. arXiv preprint arXiv:1608.03983. 2016.
Davison AC, Hinkley DV. Bootstrap methods and their application. 1st ed. Cambridge: Cambridge University Press; 1997. DOI: https://doi.org/10.1017/CBO9780511802843
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
A submissão de um artigo ao Journal of Health Informatics é entendida como exclusiva e que não está sendo considerada para publicação em outra revista. A permissão dos autores para a publicação de seu artigo no J. Health Inform. implica na exclusiva autorização concedida aos editores para incluí-lo na revista. Ao submeter um artigo, ao autor será solicitada a permissão eletrônica de um Termo de Transferência de Direitos Autorais. Uma mensagem eletrônica será enviada ao autor correspondente confirmando o recibo do manuscrito e o aceite da Declaração de Direito Autoral.
