Širdies priepuolių aptikimo algoritmas atitinka žmogaus kardiologus

Miokardo infarktas arba širdies priepuolis įvyksta, kai dėl tam tikros rūšies užsikimšimo visam laikui sutrinka širdies raumens aprūpinimas krauju. Gydymas apima pažeidimo arterijos išplėtimą balionu arba stentu, kad kraujas vėl galėtų tekėti, arba visiškai apeiti užsikimšimą atliekant vainikinių arterijų šuntavimo operaciją.

Bet kuriuo atveju intervencija turi būti atlikta laiku, o greita diagnozė gali labai pakeisti. Tačiau dažnai chaotiškoje greitosios medicinos pagalbos kambario aplinkoje širdies priepuolio požymiai dažnai nepastebimi, o pasekmės yra gilios.

Taigi automatizuotas būdas tiksliai ir patikimai pastebėti signalinius ženklus būtų reikšmingas žingsnis į priekį. Tačiau nepaisant daugybės šios srities tyrimų, automatinės širdies stebėjimo sistemos yra žymiai mažiau patikimos nei apmokyti kardiologai.

Šiandien atrodo, kad tai pasikeis dėl Nilso Strodthoffo darbo Fraunhoferio Heinricho Hertzo institute Berlyne ir Claaso Strodthoffo darbo Šlėzvigo-Holšteino universiteto medicinos centre Kylyje. Šie vaikinai sukūrė neuroninį tinklą, galintį pastebėti miokardo infarkto požymius, ir sako, kad aparatas pirmą kartą atitinka žmogaus kardiologų veikimą.

Pirma, šiek tiek fono. Vienas iš geriausių būdų diagnozuoti širdies priepuolį yra naudoti elektrokardiografą širdies elektros išeigos išmatavimui. Standartinė EKG registruoja elektrinį signalą iš 12 skirtingų laidų, prijungtų prie skirtingų paciento kūno dalių.

Šie signalai įvairiais būdais atskleidžia elektrinį širdies elgesį. Kardiologai jau seniai žinojo, kad kai kurių iš šių laidų signalai yra naudingesni diagnostiškai nei kiti, kai kalbama apie širdies priepuolį.

Tačiau interpretuoti duomenis sunku. Gydytojas pirmiausia turi nustatyti tam tikrą bazinio lygio signalą, nekreipti dėmesio į triukšmą ar sugadintus duomenis, o tada atskirti atskirus širdies plakimus. Tada gydytojas ieško iš anksto nustatytų arba automatiškai aptiktų laiko intervalų ir įtampos verčių kiekvienam dūžiui.

Galiausiai jis arba ji turi nustatyti atitinkamus širdies plakimo požymius ir atitinkamai klasifikuoti būklę. Klasifikavimo procesą dar labiau apsunkina signalas, vadinamas ST pakilimu. Pacientai, turintys šį signalą, turėtų būti gydomi kuo greičiau, o tiems, kuriems jo nėra, reikia atlikti tolesnius daug laiko reikalaujančius tyrimus.

Nė vienas iš šių žingsnių nėra lengvas. Iš tiesų, juos visus apsunkina nereguliarus ar neįprastas širdies plakimas, triukšmas ir duomenų sugadinimas – visa tai dažna greitosios pagalbos skyriaus aplinkoje.

Taigi galbūt nenuostabu, kad visame šiame chaose žmonės gerokai lenkia mašinas.

Tačiau pastaraisiais metais neuroniniai tinklai padarė didelę pažangą sprendžiant modelio atpažinimo problemas, tokias kaip veido ir objekto identifikavimas. Taigi yra didelis susidomėjimas šių metodų taikymu medicininiams duomenims, kurių tikslas taip pat yra modelio atpažinimas.

Strodthoffas ir Strodthoffas tai padarė turėdami 148 EKG įrašų iš pacientų, patyrusių miokardo infarktą, ir 52 sveikų kontrolinių asmenų duomenų bazę. Jie naudojo slankiojančio lango techniką, kad paduotų duomenis į neuroninį tinklą. Kiekviename lange buvo bent trys širdies plakimai.

Komanda panaudojo 90 procentų duomenų treniruodama neuroninį tinklą, kad pastebėtų širdies priepuolio požymius.

Likę duomenys buvo naudojami tinklui išbandyti ir gauti įdomių rezultatų. Siūloma architektūra pranoksta dabartinius pažangiausius šio duomenų rinkinio metodus ir pasiekia panašų našumo lygį, kaip ir žmogaus kardiologai, atlikdami šią užduotį, sako Strodthoffas ir Strodthoffas.

Be to, mašinos dažniausiai remiasi duomenimis iš tų pačių laidų, kuriais išmoko pasikliauti žmonių kardiologai.

Šis įspūdingas rezultatas rodo, kad išmaniosios mašinos gali žymiai pagerinti sveikatos priežiūrą. Bet tai, žinoma, nėra tobula.

Viena iš galimų problemų yra ta, kad čia naudojamas duomenų rinkinys yra palyginti mažas. Mašininio mokymosi algoritmams norint gerai mokytis, paprastai reikia didžiulių anotuotų duomenų rinkinių. Didesnių širdies priepuolio įrašų duomenų rinkinių kūrimas užims daug laiko ir sunkus. Tačiau tik turėdami didesnius duomenų rinkinius gydytojai gali būti tikri, kad algoritmai bus tikslūs įvairiose chaotiškose aplinkose, kuriose dirba gydytojai.

Tačiau potencialas didžiulis. Mašinos gali palengvinti žmonių gydytojų medicinos nuovargį ir sudėtingumą – ir tai padaryti nepavargdami. Ir Strodthoff ir Strodthoff sukurtas metodas yra bendrai taikomas bet kokioms neapdorotų duomenų iš prietaisų, tokių kaip EKG ir EEG, klasifikavimo pagal laiko eilutes problemas, kurių medicinoje gausu. Taigi galimos kitos programos

Tai reiškia, kad tikrai neilgai trukus daugumai iš mūsų diagnozę bent iš dalies nustatys mašinos.

Nuoroda: arxiv.org/abs/1806.07385 : Miokardo infarktų aptikimas ir interpretavimas naudojant visiškai konvoliucinius neuroninius tinklus

paslėpti