“复通汇智”医学AI主题沙龙第53期

汇智创新，让先进医疗科技触手可及

各位同仁，大家好！

“复通汇智”医学AI主题沙龙第53期将于6月22日晚20：00准时开始，本期主题：

（1）人工智能在工程领域的应用

（2）CADD-Net：基于类别感知动态特征融合的心衰特征分类模型

欢迎各位届时参与交流讨论。

沙龙入口⬇：

人工智能在工程领域的应用

摘要: 心电图（ECG）是一种用于评估患者心脏活动的图形化检测工具。长期心电图记录（通常持续24至48小时）对诊断心脏疾病至关重要。本文提出了一种新型轻量级深度学习架构，可根据 AAMI（医疗器械促进协会）标准对心电波形进行分类。

该模型将卷积神经网络（CNN）与双向长短期记忆（Bi- LSTM）机制的优势整合于单一网络中，能够有效捕捉心电信号中的局部特征、时间规律及序列模式。与传统训练方法常依赖固定学习率或预设训练轮次不同，本方法能根据验证性能动态调整学习参数。两个Bi- LSTM 层无需增加网络深度即可有效捕捉复杂的时间依赖关系。

该方法在紧凑的密集层之前将提取的CNN和BiLSTM特征进行拼接，从而显著减少参数数量。这种轻量化模型兼具快速推理能力和低计算成本优势。

实验结果表明：该方法准确率达99.21%、灵敏度达98.66%、精确度达99.19%，F值为0.987；同时模型展现出强大的泛化能力，在不同数据库上均实现96.17%的高准确率。该模型在心电图（ECG）搏动分类方面的稳健性与可靠性，使其成为实时监测应用中实用且高效的工具。

CADD-Net：基于类别感知动态特征融合的心衰特征分类模型

摘要: 心力衰竭（Heart Failure，HF）是一种严重危害人类健康的疾病。在胸部 X射线（Chest X-ray, CXR）中自动准确地检测心力衰竭相关特征（心脏肿大、胸腔积液和肺水肿）对治疗该疾病具有重要价值。

针对心衰特征识别中由于类别特征异质性导致的多尺度特征依赖差异及特征耦合问题，本文提出了一种名为类别感知动态解耦网络（Category-Aware Dynamic Decoupling Network, CADDNet）的分类网络，旨在提升心力衰竭相关影像特征的识别精度。

该网络以基于坐标注意力（Coordinate Attention, CA）的多尺度特征提取网络为基础，首先引用类别感知动态权重生成（Category-Aware Dynamic Weight Generation, CDWG）模块，通过可学习疾病原型与多尺度特征 Token 的交叉注意力交互，自适应生成类别相关的多尺度融合权重。随后，设计解耦自适应特征融合（Decoupled Adaptive Feature Fusion, D-AFF）模块，在共享骨干特征的基础上形成类别专属的差异化融合表示，以缓解类别间特征耦合。

最后，引入解耦类特定残差注意力（Decoupled Class-Specific Residual Attention, D-CSRA）机制，在类别专属特征空间内并行整合全局与局部信息，增强判别性特征表达。

该模型在 CheXpert 数据集、ChestX-ray14数据集和内部私有临床数据集上进行了评估，与最先进的方法相比，我们的模型分别实现了 0.920、0.917 和 0.932 的宏平均 AUC。

CADD-Net 架构在识别性能与计算开销之间取得较好平衡，为心力衰竭诊断提供了一种有效的解决方案。

人工智能正在深刻改变医疗行业，从影像诊断到智能问诊，从数据分析到个性化治疗，AI技术为医学研究和临床实践带来了革命性的突破。

最近开发的人工智能培训课程已上线，该课程目前已进入上海中学国际部，东华大学材料学院，并在多个医院开展了针对医生，医学生的授课。

课程专为医学相关从业者（医生、医学研究员、医院管理者、医学工程师等）设计，系统讲解AI在医疗领域的核心技术与应用场景，帮助学员掌握AI工具，提升临床与科研效率。 

详情请见链接：