[论文解读] A Survey of Applications of Artificial Intelligence for Myocardial Infarction Disease Diagnosis

Javad Hassannataj Joloudari, Sanaz Mojrian+11 more|arXiv (Cornell University)|Jul 11, 2021

ECG Monitoring and Analysis参考文献 35被引用 4

一句话总结

本综述回顾了基于人工智能（AI）的方法，特别是深度学习，在心电图（ECG）信号上用于心肌梗死（MID）自动诊断的研究。研究表明，深度卷积神经网络（DCNNs）通过自动学习特征，在性能上优于传统机器学习方法，因此在早期MID检测中极为有效。

ABSTRACT

Myocardial infarction disease (MID) is caused to the rapid progress of undiagnosed coronary artery disease (CAD) that indicates the injury of a heart cell by decreasing the blood flow to the cardiac muscles. MID is the leading cause of death in middle-aged and elderly subjects all over the world. In general, raw Electrocardiogram (ECG) signals are tested for MID identification by clinicians that is exhausting, time-consuming, and expensive. Artificial intelligence-based methods are proposed to handle the problems to diagnose MID on the ECG signals automatically. Hence, in this survey paper, artificial intelligence-based methods, including machine learning and deep learning, are review for MID diagnosis on the ECG signals. Using the methods demonstrate that the feature extraction and selection of ECG signals required to be handcrafted in the ML methods. In contrast, these tasks are explored automatically in the DL methods. Based on our best knowledge, Deep Convolutional Neural Network (DCNN) methods are highly required methods developed for the early diagnosis of MID on the ECG signals. Most researchers have tended to use DCNN methods, and no studies have surveyed using artificial intelligence methods for MID diagnosis on the ECG signals.

研究动机与目标

• 为解决人工心电图解读存在的耗时、成本高且易受人为错误影响的局限性。
• 识别并分析基于人工智能的方法，特别是机器学习和深度学习，在心电图信号上实现心肌梗死自动诊断的应用。
• 强调深度学习模型，特别是DCNNs，在自动提取心电图数据相关特征方面的优越性。
• 通过提供针对心电图信号上MID诊断的AI应用的全面综述，填补现有文献中的空白。

提出的方法

• 系统性回顾发表在同行评审期刊中、将人工智能应用于MID诊断的心电图信号研究。
• 根据是否需要特征工程，将方法分类为机器学习（ML）和深度学习（DL）方法。
• 对比需要手工特征提取的ML方法与能够自动学习特征的DL方法。
• 聚焦于深度卷积神经网络（DCNNs），因其能够从原始心电图信号中学习分层表征，被认定为最有效的方法。
• 基于所综述研究中报告的准确率、敏感性和特异性，评估模型在MID检测中的性能。
• 识别在基于心电图数据的早期MID诊断中人工智能应用的趋势与研究空白。

实验结果

研究问题

• RQ1 机器学习与深度学习方法在心电图信号上MID诊断的特征提取方法上有哪些不同？
• RQ2 基于人工智能的心电图信号MID诊断的当前最先进水平如何，特别是在模型架构和性能方面？
• RQ3 为何深度卷积神经网络（DCNNs）被认为比传统机器学习方法在MID检测中更为有效？
• RQ4 在使用心电图数据进行MID诊断时，人工智能应用面临的主要挑战与局限性是什么，当前如何应对？
• RQ5 是否存在缺乏针对心电图信号上MID诊断的AI应用的综合性综述？

主要发现

• 深度学习模型，特别是深度卷积神经网络（DCNNs），已成为心电图信号上自动化MID诊断最有效的方法。
• 与需要手动特征工程的传统机器学习方法不同，DCNNs能从原始心电图数据中自动学习相关特征，从而提高诊断效率。
• 近期研究的大多数焦点集中在基于DCNN的模型，因其在检测心肌梗死早期征兆方面表现出色。
• 此前尚无研究对专门用于心电图信号上MID诊断的人工智能方法应用进行全面综述，凸显了显著的研究空白。
• 本综述证实，DCNNs在早期且准确的MID检测方面极具前景，其在特征提取和分类任务中的表现均优于传统机器学习技术。