| DC Field | Value | Language |
|---|
| dc.contributor.author | Kisialeu, N. L. | - |
| dc.contributor.author | Nedzved, А. М. | - |
| dc.coverage.spatial | Минск | en_US |
| dc.date.accessioned | 2026-05-06T07:13:12Z | - |
| dc.date.available | 2026-05-06T07:13:12Z | - |
| dc.date.issued | 2026 | - |
| dc.identifier.citation | Kisialeu, N. L. Automated cardiac rhythm classification from 12-lead ECG using attention-enhanced deep neural networks = Автоматическая классификация сердечного ритма по 12- канальной ЭКГ с помощью глубоких нейронных сетей с механизмом внимания / N. L. Kisialeu, A. M. Nedzved // Big Data и анализ высокого уровня = Big Data and Advanced Analytics : сборник научных статей XII Международной научно-практической конференции, Республика Беларусь, Минск, 23 апреля 2026 года : в 2 ч. Ч. 2 / Белорусский государственный университет информатики и радиоэлектроники [и др.] ; редкол.: В. А. Богуш [и др.]. – Минск, 2026. – С. 128–137. | en_US |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/63571 | - |
| dc.description.abstract | A model is proposed to estimate throughput and safe workload in liquid-based cytology laboratories when introducing Al assistants. The model combines CLIA/FDA workload constraints, slide-equivalent counting rules for semi-automated screening (FOV/FMR), and published reading-time estimates. A scenario analysis is performed for three modes: manual screening, semi-automated imaging-assisted screening, and digital cytology based on whole-slide imaging with an Al-generated gallery of objects of interest. The results show how the full manual review rate limits throughput and why a safety margin is required to maintain screening quality. | en_US |
| dc.language.iso | en | en_US |
| dc.publisher | БГУИР | en_US |
| dc.subject | материалы конференций | en_US |
| dc.subject | Big Data | en_US |
| dc.subject | information systems | en_US |
| dc.subject | iquid-based cytology | en_US |
| dc.subject | throughput | en_US |
| dc.subject | safe workload | en_US |
| dc.subject | digital cytology | en_US |
| dc.subject | whole-slide imaging | en_US |
| dc.subject | artificial intelligence | en_US |
| dc.title | Automated cardiac rhythm classification from 12-lead ECG using attention-enhanced deep neural networks | en_US |
| dc.title.alternative | Автоматическая классификация сердечного ритма по 12- канальной ЭКГ с помощью глубоких нейронных сетей с механизмом внимания | en_US |
| dc.type | Article | en_US |
| local.description.annotation | Представлена комплексная система глубокого обучения для многоклассовой классификации ритма ЭКГ по 12-канальным записям базы Chapman-Shaoxing (10 615 записей, 8 классов). Предложена архитектура ID SE-ResNetl8 с интеграцией клинических метаданных. Проведено 7 экспериментов. Лучший результат: точность 94,2%, AUC 0,956, macro Fl 0,851. Разработана универсальная модель UniversalECGNet для 1-12 отведений без переобучения. | en_US |
| Appears in Collections: | BIG DATA and Advanced Analytics = BIG DATA и анализ высокого уровня : сборник научных статей : в 2 ч. (2026)
|
