临床儿科杂志

作者：刘莉,黄玉娟,王健怡,等

单位：1.上海交通大学附属上海市儿童医院急诊科（上海　200062）；2.上海交通大学附属上海市儿童医院 心内科（上海　200062）；3.上海市交通大学密西根学院（上海　200040）

关键词：　室性期前收缩；　深度学习；　卷积神经网络模型；　儿童,

目的　运用计算机深度学习的方法，初步建立3个儿童室性期前收缩的卷积神经网络模型，比较并评价其对 儿童室性期前收缩的诊断价值。 方法　采集1 200例儿童室性期前收缩的体表心电图作为室性早博组，并以同期性别、年 龄匹配的1 200例正常儿童心电图作为正常对照组，男女比例3:2，平均年龄均为（6.5±0.5）岁。剔除个别不适于模型训 练的心电图，在两组中随机抽取800例样本，运用计算机深度学习的方法，训练建立3种自动诊断儿童室性期前收缩的计 算机卷积神经网络模型。另外在室性期前收缩组及对照组剩余的样本中各抽取200例，以心电图专家小组的诊断作为“金 标准”，利用统计学方法，评价模型的可靠性和真实性。结果　利用心电图波形图像建立二维卷积神经网络模型和V3模 型，利用心电图时间序列数据建立一维卷积神经网络模型。其中二维卷积神经网络模型的灵敏度65%、特异度71.5%、 漏诊率35%、误诊率28.5%、阳性预测值69.5%、阴性预测值67.1%、准确率68.2%、Kappa值0.365；V3模型的灵敏度 82%、特异度85%、漏诊率18%、误诊率15%、阳性预测值84.5%、阴性预测值82.5%、准确率83.5%、Kappa值0.670； 一维卷积神经网络模型的灵敏度87.5%、特异度89.5%、漏诊率12.5%、误诊率10.5%、阳性预测值89.3%、阴性预测值 87.7%、准确率88.5%、Kappa值0.770。结论　运用计算机深度学习方法建立的V3模型与一维卷积神经网络模型性能良 好，其中一维卷积神经网络模型真实性和可靠性最佳，与专家小组的诊断高度一致。

来源：2019年第2期

《临床儿科》期刊编辑部

查看临床儿科杂志2019年第2期