由吳恩達領導的斯坦福大學小組,研發出一種新的,可以診斷14種類型的心律失常。吳恩達表示,機器學習模型可以比專家更精確的診斷心律失常。
這項研究可能是機器學習徹底改變醫療行業的最新標志之一。近年來,研究人員已經表明,機器學習技術可用于從醫學圖像中發現各種疾病,包括例如乳腺癌,皮膚癌和眼病。
研究人員表示:“心律信號的差異可能非常微妙,但對于患者如何選擇檢測方式有巨大的影響。“例如,二度房室傳導阻滯的兩種形式的心律失常,看起來非常相似,但是一種不需要治療,而另一種則需要立即治療。
心律診斷
機器小組訓練了一種深入學習算法,以識別ECG(心電圖)數據中不同類型的不規則心跳。有些不正常現象可能導致嚴重的健康并發癥,包括心源性猝死,但信號難以檢測,因此患者經常被要求佩戴ECG傳感器數周。
斯坦福大學的研究人員從ECG數據中,抽取識別約30,000個30秒的樣本數據
研究人員與iRhythm(一家制造便攜式ECG設備的公司)合作,他們從各種心律失常患者中收集了3萬個30秒的ECG數據。
為了測試算法的準確性,研究人員給了一組300個未確診的ECG數據,并由三名心臟病專家組成小組來會診。使用這些帶標注的數據,該算法可以預測這些心臟病專家將如何標記其所呈現的其他ECG的結果,實質上給出診斷。
深度學習將大量數據饋入大型模擬,并對其參數進行微調,直到其準確識別出有問題的ECG信號。該方法已經被證明能夠識別圖像和音頻中的復雜模式,并且并在大多數情況下勝過心臟病專家。
研究人員認為,這種算法有助于使心臟病學家對于心律失常的診斷和治療,更容易被無條件問診心臟病專家的患者帶來幫助。吳恩達認為這只是深度學習提高患者健康質量的眾多機會之一,能幫助醫生節省出時間。
論文詳解
研究小組開發出一種可以診斷不規則心律(也稱為心律失常)的模型,通過 single-lead ECG信號來診斷心律失常。
超越專家的關鍵是一個深度卷積網絡,可以將一系列ECG樣本映射到一系列心律失常數據中,以及比之前同類數據庫大兩個數量級的新型數據集。
研究小組訓練了一個34層卷積神經網絡(CNN)來檢測任意長度心電圖時間序列的心律失常。
網絡以原始ECG信號的時間序列作為輸入,并輸出一系列標簽預測。30秒長的ECG信號在200Hz采樣,模型每秒輸出一次新的預測。我們輸入一個33層卷積的結構,然后是完全連接的層和softmax。
為了優化這樣一個深層次的模型,我們使用殘差連接和批量歸一化。深度增加了計算的非線性以及每個分類決策的上下文窗口的大小。
研究小組從29163名患者收集并標記了64121例心電圖記錄數據。
ECG數據以200Hz的頻率進行采樣,并從single-lead,無創和連續監測裝置采集,稱為Zio Patch(iRhythm Technologies),其耐磨時間長達14天。
訓練集中的每個ECG記錄長30秒,可以包含多個節奏類型。每個記錄由臨床心電圖專家注釋:專家突出信號的部分,并將其標記為對應于14個節奏類別之一。
我們從328名獨特患者收集了一組336條的記錄。對于測試集,每個記錄的實地注釋由三名董事會認證的心臟病專家委員會監督; 有三個委員會負責測試集的不同分割。心臟病學家將每個個體記錄作為一組進行討論,并達成共識。對于測試集中的每個記錄,我們還從不參加該組的心臟病專家中收集6個單獨標記。
最常見的混淆之一是,異位心房節律(EAR)和竇性心律(SINUS)之間。這種心跳節奏的主要區別標準是不規則的P波。特別是當P波具有小幅度或信號中存在噪聲時,這可能是微妙的。
類似地,室上性心動過速(SVT)和心房顫動(AFIB)經常與心房撲動(AFL)混淆,因為它們都是心房心律失常,這是可以理解的。室性心律失常(IVR)有時被誤認為是心室性心動過速(VT)。
鑒于臨床每年記錄超過3億次心電圖,心電圖的高精度診斷可以節省專家臨床醫生和心臟病專家的時間,減少誤診次數。此外,我們希望這種技術加上低成本心電圖設備,能夠成為心律失常診斷的常用工具。
詳情:
paper://t.cn/RKANXhI
標簽:
本站文章除注明轉載外,均為本站原創或翻譯。歡迎任何形式的轉載,但請務必注明出處、不得修改原文相關鏈接,如果存在內容上的異議請郵件反饋至chenjj@fc6vip.cn