基于多模态数据的冠心病诊断研究
摘要
冠心病是一种常见心血管疾病，诊断过程中需要考虑心电图、血压、血液中的生
化指标和影像学检查等多种因素进行综合分析。以往的研究大多只考虑到单模态数据，
多模态的深度学习方法可以将来自不同模态的数据进行融合，从而得到更加全面、准
确的信息。此外，目前的方法还存在诊断冠心病粒度粗的问题，没有细化冠心病的具
体类别，因此，基于多模态数据的冠心病精确诊断方法研究具有重大意义。
本文首先研究纸质噪声心电图去噪问题。多年来，各大医院都对纸质心电图进行
扫描保存到电子健康病历中。扫描后的心电图含有噪声，很难直接将其作为智能诊断
算法的训练数据，需要对其进行预处理。一些研究人员利用神经网络从噪声心电图中
提取心电信号，由于缺乏成对的噪声心电图和无噪声心电图标签来训练神经网络，效
果并不显著。本文提出了一种无监督的噪声心电图生成方法。这些生成的心电图具有
与输入心电图相同的心电信号，并且噪声与实际心电图相似。为了评价生成图像的全
局和局部质量，本文使用两个判别器的生成对抗网络，分别称为全局鉴别器和局部鉴
别器。在训练模型时，全局鉴别器的输出向量反馈给生成器，促使生成器有针对性地
改进生成结果。利用该方法产生的数据训练神经网络进行心电信号提取的DICE系数
达到0.87，高于稳健基线模型的0.80。
本文提出了一种结合超声心动图报告单、化验单、心电图的多模态冠心病诊断方
法。超声心动图报告单、化验单数据中存在较多缺失值，本文首先进行实验探讨了缺
失值填充方式对冠心病诊断算法的影响，选择最优的填充方式预处理。然后本文对纸
质噪声心电图去噪。最后，利用特征提取器分别提取超声心动图报告单、化验单、心
电图的特征表示，将其融合后用分类器进行冠心病诊断的精确分类。本文提出的多模
态冠心病诊断方法准确率为0.92、精确率为0.92、召回率为0.92、F1值为0.90。高于
面向生化检查数据的冠心病诊断最优的模型的准确率0.85、精确率0.80、召回率0.85、
F1值0.82。高于面向心电图的冠心病诊断最优模型的准确率0.89、精确率0.85、召回
率0.89、F1值0.86。
关键词：冠心病诊断；多模态；心电图去噪；数据生成
基于多模态数据的冠心病诊断研究
Abstract
Coronaryarterydisease(CAD),alsoknownascoronaryheartdisease,isaprevalent
cardiovasculardisorderthatrequiresthecomprehensiveanalysisofvariousfactors,including
electrocardiograms(ECG),bloodpressure,biochemicalmarkersinblood,andimaging
examinations,tofacilitatethediagnosticprocess.Previousresearchhaspredominantly
focusedonsingle-modaldata,whilemultimodaldeeplearningmethodshavethepotentialto
integratedatafromdifferentmodalities,therebyprovidingmorecomprehensiveandaccurate
information.Additionally,currentmethodslacktheabilitytodiagnoseCADwithfine
granularity,astheydonotdistinguishspecificcategoriesofthedisease.Therefore,
investigatingpreciseCADdiagnosismethodsbasedonmultimodaldataholds