Options
使用連續小波轉換與深度卷積神經網路以十二導程心電圖預測嬰幼兒顯著先天性心臟病
Other Title
Prediction of Significant Congenital Heart Disease in Infants and Children Using Continuous Wavelet Transform and Deep Convolutional Neural Network with 12-lead Electrocardiogram
Type
thesis
Date Issued
2023-07-14
Author(s)
李昱昕
Advisor
彭徐鈞
Subjects
系所名稱：醫學院人工智慧醫療碩士在職專班
Description
學位別：碩士
語文別：中文
口試委員：張正春 CHANG, CHENG-CHUN;劉文德 LIU, WEN-TE;彭徐鈞 PENG, SYU-JYUN
授權範圍：網際網路,開放日期為2023-07-19
語文別：中文
口試委員：張正春 CHANG, CHENG-CHUN;劉文德 LIU, WEN-TE;彭徐鈞 PENG, SYU-JYUN
授權範圍：網際網路,開放日期為2023-07-19
Abstract
背景
先天性心臟病在台灣新生兒的盛行率為千分之十三，而顯著先天性心臟病的盛行率為千分之一點五。若無法及時診斷先天性心臟病，病人在嬰幼兒時期可能會出現心臟衰竭的症狀，造成生長發育遲緩，甚至是造成死亡。標準的心臟超音波檢查價格昂貴，操作者稀少，無法大規模推廣。目前的常規篩檢方式是血氧濃度測試，但其僅能篩檢出部分嚴重的先天性心臟病，若為左至右分流的先天性心臟病則無法檢出。心電圖為低成本的檢查，目前已有利用心電圖預測先天性心臟病的人工智慧模型，但其對象多為學齡期以上的兒童及成人。針對嬰幼兒的心電圖預測模型仍待發展。此外，顯著先天性心臟病童的心電圖與正常嬰幼兒的心電圖差距較大，顯著先天性心臟病也才需要早期介入治療。本研究建立0至5歲嬰幼兒顯著右心疾病(如心房中膈缺損、法洛氏四重症)及顯著左心疾病(如心室中膈缺損、開放性動脈導管)的預測模型，並依上述模型建立利用心電圖預測顯著先天性心臟病(包含左心及右心疾病)的人工智慧模型。
研究材料及方法
本研究收集2013年1月至2020年1月於林口長庚醫院內接受心導管檢查或治療的先天性心臟病住院病人及2020年12月至2021年3月於林口長庚醫院接受門診心臟超音波檢查的先天性心臟病人的心電圖資料作為實驗組，並收集2020年12月至2021年3月於林口長庚醫院接受門診心臟超音波檢查的正常心臟結構病人的心電圖資料作為對照組。將先天性心臟病分為右心與左心疾病兩分類，再依是否出現血行動力學顯著影響分為輕微及顯著兩次分組。將心電圖訊號進行連續小波轉換獲得頻譜圖後，藉Resnet-18、Inceptionresnet-V2及Nasnetmobile等三個預訓練模型以遷移式學習探討輕微先天性心臟病是否能由模型鑑別，並建立預測0至5歲嬰幼兒是否有顯著先天性心臟病的模型。
結果
本研究共收集1035位0至5歲病人的心電圖，其中234位正常心臟結構、100位輕微右心疾病、291位顯著右心疾病、141位輕微左心疾病、269位顯著左心疾病。針對正常心電圖及右心疾病的組合，預測顯著右心疾病最好的是基於Resnet-18預訓練模型，具有正確率(Accuracy rate) 0.789 ± 0.009 (95%信賴區間0.778—0.799)，敏感度(Sensitivity) 0.735 ± 0.032 (95%信賴區間0.695—0.775)，特異性(Specificity) 0.839 ± 0.022 (95%信賴區間0.812—0.865)，F1分數(F1 score) 0.770 ± 0.014 (95%信賴區間0.753—0.787)，馬修斯相關係數(Matthews correlation coefficient) 0.579 ± 0.016 (95%信賴區間0.558—0.599)，ROC曲線下方面積(area under the receiver operating characteristic, AUROC) 0.852 ± 0.011 (95%信賴區間0.838—0.866)。針對正常心電圖及左心疾病的組合，預測顯著左心疾病最好的是基於Inceptionresnet-v2預訓練模型，具有正確率0.744 ± 0.033 (95%信賴區間0.704—0.785)，敏感度(Sensitivity) 0.696 ± 0.038 (95%信賴區間0.512—0.638)，特異性(Specificity) 0.779 ± 0.043 (95%信賴區間0.725—0.832)，F1分數0.695 ± 0.038 (95%信賴區間0.652—0.738 )，馬修斯相關係數 0.476 ± 0.065 (95%信賴區間0.396—0.556)，ROC曲線下方面積0.816 ± 0.035 (95%信賴區間0.773—0.859)。針對臨床可用設計，以檢出顯著先天性心臟病為目標的最佳模型為基於Resnet-18，左心及右心疾病訓練模型異常結果的聯集，有著正確率0.736 ± 0.031 (95%信賴區間0.697—0.775)，敏感度(Sensitivity) 0.709 ± 0.070 (95%信賴區間0.622—0.795)，特異性(Specificity) 0.768 ± 0.032 (95%信賴區間0.728—0.808)，F1分數0.742 ± 0.044 (95%信賴區間0.687—0.796)，馬修斯相關係數 0.535 ± 0.118 (95%信賴區間0.388—0.682)。
結論
針對0-5歲的嬰幼兒，利用十二導程心電圖可以預測顯著先天性心臟病。以人工智慧預測臨床場域中顯著先天性心臟病的模型能夠增進篩檢效能，使病人能於疾病的早期就接受介入治療。本模型針對顯著先天性心臟病進行篩檢的特性也可以和常規的血氧濃度篩檢測試搭配，在缺乏兒童心臟專家的偏遠地區可以減少轉診需求，提升整體醫療品質及滿意度。
先天性心臟病在台灣新生兒的盛行率為千分之十三，而顯著先天性心臟病的盛行率為千分之一點五。若無法及時診斷先天性心臟病，病人在嬰幼兒時期可能會出現心臟衰竭的症狀，造成生長發育遲緩，甚至是造成死亡。標準的心臟超音波檢查價格昂貴，操作者稀少，無法大規模推廣。目前的常規篩檢方式是血氧濃度測試，但其僅能篩檢出部分嚴重的先天性心臟病，若為左至右分流的先天性心臟病則無法檢出。心電圖為低成本的檢查，目前已有利用心電圖預測先天性心臟病的人工智慧模型，但其對象多為學齡期以上的兒童及成人。針對嬰幼兒的心電圖預測模型仍待發展。此外，顯著先天性心臟病童的心電圖與正常嬰幼兒的心電圖差距較大，顯著先天性心臟病也才需要早期介入治療。本研究建立0至5歲嬰幼兒顯著右心疾病(如心房中膈缺損、法洛氏四重症)及顯著左心疾病(如心室中膈缺損、開放性動脈導管)的預測模型，並依上述模型建立利用心電圖預測顯著先天性心臟病(包含左心及右心疾病)的人工智慧模型。
研究材料及方法
本研究收集2013年1月至2020年1月於林口長庚醫院內接受心導管檢查或治療的先天性心臟病住院病人及2020年12月至2021年3月於林口長庚醫院接受門診心臟超音波檢查的先天性心臟病人的心電圖資料作為實驗組，並收集2020年12月至2021年3月於林口長庚醫院接受門診心臟超音波檢查的正常心臟結構病人的心電圖資料作為對照組。將先天性心臟病分為右心與左心疾病兩分類，再依是否出現血行動力學顯著影響分為輕微及顯著兩次分組。將心電圖訊號進行連續小波轉換獲得頻譜圖後，藉Resnet-18、Inceptionresnet-V2及Nasnetmobile等三個預訓練模型以遷移式學習探討輕微先天性心臟病是否能由模型鑑別，並建立預測0至5歲嬰幼兒是否有顯著先天性心臟病的模型。
結果
本研究共收集1035位0至5歲病人的心電圖，其中234位正常心臟結構、100位輕微右心疾病、291位顯著右心疾病、141位輕微左心疾病、269位顯著左心疾病。針對正常心電圖及右心疾病的組合，預測顯著右心疾病最好的是基於Resnet-18預訓練模型，具有正確率(Accuracy rate) 0.789 ± 0.009 (95%信賴區間0.778—0.799)，敏感度(Sensitivity) 0.735 ± 0.032 (95%信賴區間0.695—0.775)，特異性(Specificity) 0.839 ± 0.022 (95%信賴區間0.812—0.865)，F1分數(F1 score) 0.770 ± 0.014 (95%信賴區間0.753—0.787)，馬修斯相關係數(Matthews correlation coefficient) 0.579 ± 0.016 (95%信賴區間0.558—0.599)，ROC曲線下方面積(area under the receiver operating characteristic, AUROC) 0.852 ± 0.011 (95%信賴區間0.838—0.866)。針對正常心電圖及左心疾病的組合，預測顯著左心疾病最好的是基於Inceptionresnet-v2預訓練模型，具有正確率0.744 ± 0.033 (95%信賴區間0.704—0.785)，敏感度(Sensitivity) 0.696 ± 0.038 (95%信賴區間0.512—0.638)，特異性(Specificity) 0.779 ± 0.043 (95%信賴區間0.725—0.832)，F1分數0.695 ± 0.038 (95%信賴區間0.652—0.738 )，馬修斯相關係數 0.476 ± 0.065 (95%信賴區間0.396—0.556)，ROC曲線下方面積0.816 ± 0.035 (95%信賴區間0.773—0.859)。針對臨床可用設計，以檢出顯著先天性心臟病為目標的最佳模型為基於Resnet-18，左心及右心疾病訓練模型異常結果的聯集，有著正確率0.736 ± 0.031 (95%信賴區間0.697—0.775)，敏感度(Sensitivity) 0.709 ± 0.070 (95%信賴區間0.622—0.795)，特異性(Specificity) 0.768 ± 0.032 (95%信賴區間0.728—0.808)，F1分數0.742 ± 0.044 (95%信賴區間0.687—0.796)，馬修斯相關係數 0.535 ± 0.118 (95%信賴區間0.388—0.682)。
結論
針對0-5歲的嬰幼兒，利用十二導程心電圖可以預測顯著先天性心臟病。以人工智慧預測臨床場域中顯著先天性心臟病的模型能夠增進篩檢效能，使病人能於疾病的早期就接受介入治療。本模型針對顯著先天性心臟病進行篩檢的特性也可以和常規的血氧濃度篩檢測試搭配，在缺乏兒童心臟專家的偏遠地區可以減少轉診需求，提升整體醫療品質及滿意度。