Explainable attention-based deep learning for classification and interpretation of heart murmurs using phonocardiograms
6.5
来源：
Nature
关键字：
computational pathology
发布时间：
2025-10-31 03:38
摘要：
本研究提出了一种基于Transformer的解释性深度学习框架，用于心音的分类和解释。该框架通过使用心音信号的时频特征，展示了在多个数据集上的高准确性（最高达96.7%），并通过Grad-CAM等工具提供了可解释性，增强了临床应用的信任度。研究强调了深度学习在心血管疾病早期诊断中的潜力，并指出了未来在多模态数据集成和临床环境适应性方面的研究方向。
原文：
查看原文
价值分投票
评分标准
新闻价值分采用0-10分制，综合考虑新闻的真实性、重要性、时效性、影响力等多个维度。
评分越高，表示该新闻的价值越大，越值得关注。
价值维度分析
domain_focus
1.0分+重点关注领域符合度
business_impact
0.5分+商业影响力
scientific_rigor
1.5分+数据支撑的科学性
timeliness_innovation
1.5分+时效性与创新性
investment_perspective
2.5分+BOCG投资视角
market_value_relevance
1.0分+市场价值相关性
team_institution_background
0.5分+团队与机构背景
technical_barrier_competition
0.5分+技术壁垒与竞争格局
关键证据
模型在HeartWave数据集上达到了96.7%的准确率。
研究展示了深度学习在心音分析中的应用潜力。
结合Grad-CAM等解释性工具增强了模型的临床可接受性。
真实性检查
否
AI评分总结
本研究提出了一种基于Transformer的解释性深度学习框架，用于心音的分类和解释。该框架通过使用心音信号的时频特征，展示了在多个数据集上的高准确性（最高达96.7%），并通过Grad-CAM等工具提供了可解释性，增强了临床应用的信任度。研究强调了深度学习在心血管疾病早期诊断中的潜力，并指出了未来在多模态数据集成和临床环境适应性方面的研究方向。