Tipus de document
Treball de fi de grauData de publicació
Llicència de publicació
Si us plau utilitzeu sempre aquest identificador per citar o enllaçar aquest document: https://hdl.handle.net/2445/230482
Deep Learning for Acute Myocardial Infarction Detection from 12-Lead ECG: A Comparison of 1D Signal, 2D Image, and Multimodal Representations
Títol de la revista
Autors
Director/Tutor
ISSN de la revista
Títol del volum
Recurs relacionat
Resum
[eng] Acute myocardial infarction (AMI) is the leading cause of cardiovascular mortality worldwide. The 12-lead electrocardiogram (ECG) is the primary triage tool for AMI diagnosis, but its interpretation requires trained cardiologists who are not always available at the point of care. This project evaluates whether the choice of ECG input representation, raw 1D waveform versus rasterized 2D image, substantially affects the performance of deep learning models for automated AMI detection. Five models were trained and evaluated on a balanced cohort of 20,000 12-lead ECG records from MIMIC-IV-ECG (10,000 AMI, 10,000 controls), labeled using ICD-10-CM hospital discharge codes. The models evaluated were a logistic regression classifier on automatic machine measurements (baseline), a 1D residual network (ResNet-1D) on raw waveforms, two ImageNet-pretrained vision architectures (EfficientNet-B0 and ViT-B/16) on rendered ECG images, and a late fusion model combining the ResNet-1D encoder with structured metadata. All models were evaluated on a shared held-out test set (n = 2,967) using AUROC, sensitivity, specificity, and F1-score. ResNet-1D achieved the best performance (AUROC = 0.834, sensitivity = 0.765, specificity = 0.737). Image-based models performed substantially lower: ViT-B/16 reached AUROC = 0.787 and EfficientNet-B0 reached 0.730. The late fusion model matched the standalone ResNet-1D (AUROC = 0.834), indicating that automatic machine measurements add no discriminative information beyond what the waveform encoder captures. The logistic regression baseline achieved AUROC = 0.552.
These results show that raw waveform processing is the superior input strategy when digital ECG signals are available, and that rendered ECG images remain a viable alternative for settings without interoperable digital output.
[cat] L'infart agut de miocardi (IAM) és la principal causa de mort cardiovascular a tot el món. L'electrocardiograma (ECG) de 12 derivacions és l'eina de triatge de primera línia per al seu diagnòstic, però la seva interpretació requereix cardiòlegs especialitzats que no sempre estan disponibles en el punt d'atenció. Aquest projecte avalua si la representació del senyal ECG utilitzada com a entrada, senyal 1D cru enfront d'imatge 2D rasteritzada, afecta de forma substancial el rendiment dels models d'aprenentatge profund per a la detecció automàtica d'IAM. Es van entrenar i avaluar cinc models sobre una cohort balancejada de 20.000 registres ECG de 12 derivacions de MIMIC-IV-ECG (10.000 IAM, 10.000 controls), etiquetats mitjançant codis d'alta hospitalària ICD-10-CM. Els models avaluats van ser una regressió logística sobre mesuraments automàtics de l’electrocardiògraf (referència), una xarxa residual 1D (ResNet-1D) sobre senyal cru, dues arquitectures de visió preentrenades a ImageNet (EfficientNet-B0 i ViT-B/16) sobre imatges ECG renderitzades, i un model de fusió tardana que combina l'encoder ResNet-1D amb metadades estructurades. Tots els models es van avaluar sobre un conjunt de test compartit (n = 2.967) amb AUROC, sensibilitat, especificitat i F1-score. ResNet-1D va obtenir el millor rendiment (AUROC = 0,834, sensibilitat = 0,765, especificitat =0,737). Els models basats en imatge van rendir considerablement menys: ViT-B/16 va assolir un AUROC de 0,787 i EfficientNet-B0 de 0,730. El model de fusió tardana va ser pràcticament idèntic al ResNet-1D aïllat (AUROC = 0,834), la qual cosa indica que els mesuraments automàtics de l'electrocardiògraf no aporten informació discriminativa addicional. La regressió logística va assolir un AUROC de 0,552.
Aquests resultats mostren que el processament directe del senyal és l'estratègia d'entrada superior quan el senyal digital està disponible, i que les imatges ECG renderitzades són una
alternativa viable en entorns sense sortida digital interoperable.
Descripció
Treballs Finals de Grau d'Enginyeria Biomèdica. Facultat de Medicina i Ciències de la Salut. Universitat de Barcelona. Curs: 2025-2026. Tutor/Director: Juan Ignacio Barrios Arce, Xavier Borrat Frigola
Citació
Citació
QUESADA GALÁN, Sergi. Deep Learning for Acute Myocardial Infarction Detection from 12-Lead ECG: A Comparison of 1D Signal, 2D Image, and Multimodal Representations. [consulted: 24 of August of 2026]. Available at: https://hdl.handle.net/2445/230482