USANDO VISÃO COMPUTACIONAL E APRENDIZAGEM PROFUNDA PARA EXTRAIR SÉRIES TEMPORAIS E CLASSIFICAR DOENÇAS CARDÍACAS A PARTIR DE ELETROCARDIOGRAMAS
Eletrocardiograma, Fibrilação Atrial, Classificação, Rede Neural Multimodal
Esta investigação apresenta uma rede neural multimodal especializada para classificar exames de eletrocardiograma (ECG) baseados em imagens. O modelo é projetado para distinguir entre ritmos cardíacos normais e Fibrilação Atrial (FA) usando um conjunto de dados composto exclusivamente por imagens de exames de ECG. O modelo exibe uma etapa de pré-processamento capaz de extrair o traçado da derivação DII a partir de imagens PNG. Posteriormente, o traçado extraído é usado para gerar uma série temporal e um espectrograma como entrada para alimentar a rede multimodal. As métricas de validação cruzada demonstram a eficácia da metodologia com uma precisão de 97,65%, AUC de 94,08%, especificidade de 96,89%, sensibilidade de 99,20% e um F1-score de 96,57%. Além disso, a metodologia apresenta um desempenho impressionante em várias fontes de dados e múltiplas dobras, alcançando uma precisão média de 90,70%, AUC de 90,78%, especificidade de 90,62%, sensibilidade de 90,94% e um F1-score de 82,09%. A abordagem multimodal recomendada aqui elimina a necessidade de software especializado, tornando mais fácil a integração na prática clínica e aprimorando as capacidades de diagnóstico dos profissionais de saúde