MORI Hiroki,森浩輝,MURAGAKI Yoshihiro,村垣善浩,SUGIYAMA Hisashi,杉山央
申请号：
JPJP2019/025098
公开号：
WO2020/004369A1
申请日:
2019.06.25
申请国别(地区):
JP
年份:
2020
代理人:
摘要：
As a conventional example of an electrocardiogram diagnostic support method, methods have been proposed in which the learning stage is divided into two stages and a two-stage learning model is generated, but such models learn binary classification models that output 'normal' or 'abnormal' and output only whether the waveform of the ECG image indicates an abnormality, so do not determine an actual diagnosis (disease name, sickness name, etc.). In the present invention, an electrocardiogram diagnostic device is provided which uses training data comprising diagnoses ('normal', or multiple sickness names (disease names)) attached to electrocardiogram images to learn a model that, in addition to 'normal', can output disease names through machine learning such as CNN, LSTM, etc. By giving electrocardiogram images obtained in an actual test to a model that has been learned, the electrocardiogram diagnostic device outputs a diagnosis ('normal', or disease names) that can be obtained by reading the electrocardiogram image.A titre d'exemple classique d'un procédé de support de diagnostic d'électrocardiogramme, des procédés ont été proposés, dans lesquels l'étape d'apprentissage est divisée en deux étapes et un modèle d'apprentissage en deux étapes est généré ； mais de tels modèles apprennent des modèles de classification binaire qui fournissent un résultat "normal" ou "anormal" et ne fournissent un résultat que si la forme d'onde de l'image d'ECG indique une anomalie, de sorte qu'ils ne déterminent pas un diagnostic réel (nom de maladie, nom de pathologie, etc.). Le dispositif de diagnostic d'électrocardiogramme selon la présente invention utilise des données d'apprentissage comprenant des diagnostics ("normal", ou de multiples noms de pathologie (noms de maladie)) rattachés à des images d'électrocardiogramme pour apprendre un modèle qui, outre l'indication "normal", peut fournir des noms de maladie par un apprentissage automatique tel que CNN, LSTM, etc. En fournissant des i
