Algorytm pasuje do ludzkich kardiologów w wykrywaniu zawałów serca

Zawał mięśnia sercowego lub atak serca występuje, gdy dopływ krwi do mięśnia sercowego jest trwale zakłócony przez pewnego rodzaju blokadę. Leczenie polega albo na poszerzeniu uszkadzającej tętnicy balonem lub stentem, aby umożliwić powrót krwi, albo ominięciu blokady całkowicie za pomocą operacji pomostowania aortalno-wieńcowego.

Tak czy inaczej, interwencja musi być na czas, a szybka diagnoza może zrobić ogromną różnicę. Jednak w często chaotycznym środowisku izby przyjęć nierzadko przeoczono oznaki zawału serca, a konsekwencje są głębokie.

Dlatego zautomatyzowany sposób dokładnego i niezawodnego wykrywania znaków ostrzegawczych byłby znaczącym krokiem naprzód. Jednak pomimo wielu badań w tej dziedzinie zautomatyzowane systemy monitorowania serca są znacznie mniej niezawodne niż przeszkoleni kardiolodzy.

Dziś wygląda na to, że zmieni się to dzięki pracy Nilsa Strodthoffa z Instytutu Fraunhofera Heinricha Hertza w Berlinie i Claasa Strodthoffa z Uniwersyteckiego Centrum Medycznego Schleswig-Holstein w Kilonii, obaj w Niemczech. Ci faceci opracowali sieć neuronową, która może wykryć oznaki zawału mięśnia sercowego i twierdzą, że maszyna po raz pierwszy dorównuje wydajności kardiologom.

Najpierw trochę tła. Jednym z najlepszych sposobów diagnozowania zawału serca jest użycie elektrokardiografu do pomiaru mocy elektrycznej serca. Standardowe EKG rejestruje sygnał elektryczny z 12 różnych odprowadzeń podłączonych do różnych części ciała pacjenta.

Sygnały te na różne sposoby ujawniają elektryczne zachowanie serca. Kardiolodzy od dawna wiedzą, że sygnały z niektórych z tych odprowadzeń są bardziej przydatne diagnostycznie niż inne, jeśli chodzi o ataki serca.

Ale interpretacja danych jest trudna. Lekarz musi najpierw wypracować jakiś sygnał o poziomie podstawowym, zignorować wszelkie szumy lub uszkodzone dane, a następnie wyizolować pojedyncze uderzenia serca. Następnie klinicysta szuka predefiniowanych lub automatycznie wykrywanych odstępów czasu i wartości napięcia dla każdego uderzenia.

Na koniec musi zidentyfikować odpowiednie cechy w biciu serca i odpowiednio sklasyfikować stan. Proces klasyfikacji dodatkowo komplikuje obecność sygnału zwanego uniesieniem odcinka ST. Pacjenci z tym sygnałem powinni być jak najszybciej leczeni, natomiast ci bez niego wymagają dalszych czasochłonnych badań.

Żaden z tych kroków nie jest łatwy. Rzeczywiście, wszystkie są utrudnione przez nieregularne lub nietypowe bicie serca, hałas i uszkodzenie danych, które są powszechne w środowisku pogotowia ratunkowego.

Być może więc nie jest zaskoczeniem, że w całym tym chaosie ludzie znacznie przewyższają maszyny.

Jednak w ostatnich latach sieci neuronowe poczyniły znaczne postępy w problemach rozpoznawania wzorców, takich jak identyfikacja twarzy i obiektów. Tak więc istnieje duże zainteresowanie zastosowaniem tych technik do danych medycznych, gdzie rozpoznawanie wzorców jest również celem.

Strodthoff i Strodthoff właśnie to zrobili dzięki bazie danych zawierającej 148 zapisów EKG od pacjentów z zawałem mięśnia sercowego i 52 zdrowych osób z grupy kontrolnej. Wykorzystali technikę przesuwanego okna, aby przesłać dane do sieci neuronowej. Każde okno zawierało co najmniej trzy uderzenia serca.

Zespół wykorzystał 90 procent danych do wytrenowania sieci neuronowej w celu wykrycia oznak zawału serca.

Reszta danych została wykorzystana do przetestowania sieci z ciekawymi wynikami. Proponowana architektura przewyższa obecne najnowocześniejsze podejścia do tego zbioru danych i osiąga podobny poziom wydajności, jak kardiolodzy ludzcy w tym zadaniu, twierdzą Strodthoff i Strodthoff.

Co więcej, maszyny mają tendencję do preferencyjnego polegania na danych z tych samych tropów, na których nauczyli się polegać kardiolodzy.

Ten imponujący wynik pokazuje potencjał inteligentnych maszyn do radykalnej poprawy opieki zdrowotnej. Ale oczywiście nie jest doskonały.

Jednym z potencjalnych problemów jest to, że użyty tutaj zestaw danych jest stosunkowo niewielki. Algorytmy uczenia maszynowego zazwyczaj wymagają ogromnych zestawów danych z adnotacjami, aby dobrze się uczyć. Tworzenie większych zestawów danych z zapisów zawału serca będzie czasochłonne i trudne. Ale tylko przy większych zbiorach danych klinicyści mogą mieć pewność, że algorytmy będą dokładne w szerokim zakresie chaotycznych środowisk, w których pracują lekarze.

Ale potencjał jest ogromny. Maszyny mogą odciążyć lekarzy z nudy i złożoności medycyny — i robią to bez zmęczenia. Podejście opracowane przez Strodthoffa i Strodthoffa ma ogólne zastosowanie do wszelkich problemów z klasyfikacją szeregów czasowych surowych danych z urządzeń, takich jak EKG i EEG, które obfitują w medycynę. Więc możliwe są inne zastosowania

Co oznacza, że ​​z pewnością nie minie dużo czasu, zanim większość z nas zostanie zdiagnozowana, przynajmniej częściowo, przez maszyny.

Nr ref.: arxiv.org/abs/1806.07385 : Wykrywanie i interpretacja zawałów mięśnia sercowego za pomocą w pełni splotowych sieci neuronowych

ukryć