https://libeldoc.bsuir.by/handle/123456789/63571| Title: | Automated cardiac rhythm classification from 12-lead ECG using attention-enhanced deep neural networks |
| Other Titles: | Автоматическая классификация сердечного ритма по 12- канальной ЭКГ с помощью глубоких нейронных сетей с механизмом внимания |
| Authors: | Kisialeu, N. L. Nedzved, А. М. |
| Keywords: | материалы конференций;Big Data;information systems;iquid-based cytology;throughput;safe workload;digital cytology;whole-slide imaging;artificial intelligence |
| Issue Date: | 2026 |
| Publisher: | БГУИР |
| 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. |
| 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. |
| Alternative abstract: | 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. |
| URI: | https://libeldoc.bsuir.by/handle/123456789/63571 |
| Appears in Collections: | BIG DATA and Advanced Analytics = BIG DATA и анализ высокого уровня : сборник научных статей : в 2 ч. (2026) |
| File | Description | Size | Format | |
|---|---|---|---|---|
| Kisialeu_Automated.pdf | 6.1 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.