211service.com
Algoritms sakrīt ar cilvēka kardiologiem sirdslēkmes noteikšanā
Miokarda infarkts jeb sirdslēkme rodas, ja sirds muskuļa asinsapgāde tiek pastāvīgi traucēta kāda veida aizsprostojuma dēļ. Ārstēšana ietver bojātās artērijas paplašināšanu ar balonu vai stentu, lai ļautu asinīm atkal plūst, vai pilnīgu nosprostojuma apiešanu ar koronārās šuntēšanas operāciju.
Jebkurā gadījumā iejaukšanās ir jāveic savlaicīgi, un ātra diagnoze var ievērojami mainīt. Tomēr nereti haotiskajā neatliekamās palīdzības dienesta vidē sirdslēkmes pazīmes nereti palaiž garām, un sekas ir dziļas.
Tādējādi automatizēts veids, kā precīzi un uzticami pamanīt signālugunis, būtu nozīmīgs solis uz priekšu. Bet, neskatoties uz daudzajiem pētījumiem šajā jomā, automatizētās sirds uzraudzības sistēmas ir ievērojami mazāk uzticamas nekā apmācīti kardiologi.
Šķiet, ka šodien tas mainīsies, pateicoties Nils Strodtoff darbam Fraunhofera Heinriha Herca institūtā Berlīnē un Klāss Strodtofs Šlēsvigas-Holšteinas Universitātes medicīnas centrā Ķīlē, abiem Vācijā. Šie puiši ir izstrādājuši neironu tīklu, kas var pamanīt miokarda infarkta pazīmes, un viņi saka, ka iekārta pirmo reizi atbilst cilvēka kardiologu veikumam.
Pirmkārt, nedaudz fona. Viens no labākajiem veidiem, kā diagnosticēt sirdslēkmi, ir izmantot elektrokardiogrāfu, lai izmērītu sirds elektrisko jaudu. Standarta EKG reģistrē elektrisko signālu no 12 dažādiem vadiem, kas pievienoti dažādām pacienta ķermeņa daļām.
Šie signāli dažādos veidos atklāj sirds elektrisko uzvedību. Kardiologi jau sen ir zinājuši, ka signāli no dažiem no šiem vadiem ir noderīgāki diagnostikā nekā citi, kad runa ir par sirdslēkmi.
Bet datu interpretācija ir sarežģīta. Klīnicistam vispirms ir jāizstrādā sava veida bāzes līmeņa signāls, jāignorē jebkāds troksnis vai bojāti dati un pēc tam jāizolē atsevišķi sirdspuksti. Pēc tam ārsts meklē iepriekš definētus vai automātiski noteiktus laika intervālus un sprieguma vērtības katram sitienam.
Visbeidzot, viņam vai viņai ir jānosaka atbilstošās sirdsdarbības pazīmes un attiecīgi jāklasificē stāvoklis. Klasifikācijas procesu vēl vairāk sarežģī signāls, ko sauc par ST pacēlumu. Pacienti ar šo signālu jāārstē pēc iespējas ātrāk, savukārt tiem, kuriem tā nav, ir jāveic papildu laikietilpīgas pārbaudes.
Neviena no šīm darbībām nav viegla. Patiešām, tos visus padara grūtākus neregulāras vai neparastas sirdsdarbības, trokšņa un datu bojājumu dēļ, kas viss ir izplatīts neatliekamās palīdzības dienesta vidē.
Tāpēc, iespējams, nav pārsteigums, ka visā šajā haosā cilvēki ievērojami pārspēj mašīnas.
Taču pēdējos gados neironu tīkli ir guvuši ievērojamu progresu modeļu atpazīšanas problēmās, piemēram, sejas un objektu identificēšanā. Tāpēc ir liela interese par šo metožu piemērošanu medicīniskiem datiem, kuru mērķis ir arī modeļa atpazīšana.
Strodthoff un Strodthoff ir paveikuši tieši to, izmantojot datu bāzi, kurā ir 148 EKG ieraksti no pacientiem ar miokarda infarktu un 52 veselām kontrolēm. Viņi izmantoja bīdāmo logu tehniku, lai ievadītu datus neironu tīklā. Katrs logs ietvēra vismaz trīs sirdspukstus.
Komanda izmantoja 90 procentus datu, lai apmācītu neironu tīklu, lai pamanītu sirdslēkmes pazīmes.
Pārējie dati tika izmantoti tīkla pārbaudei ar interesantiem rezultātiem. Piedāvātā arhitektūra pārspēj pašreizējās jaunākās pieejas šajā datu kopā un sasniedz līdzīgu veiktspējas līmeni kā cilvēka kardiologi šim uzdevumam, saka Strodtoff un Strodthoff.
Turklāt mašīnas parasti paļaujas uz datiem no tiem pašiem vadiem, uz kuriem ir iemācījušies paļauties cilvēku kardiologi.
Šis iespaidīgais rezultāts parāda viedo iekārtu potenciālu ievērojami uzlabot veselības aprūpi. Bet tas, protams, nav ideāls.
Viena no iespējamām problēmām ir tā, ka šeit izmantotā datu kopa ir salīdzinoši neliela. Mašīnmācības algoritmiem parasti ir vajadzīgas milzīgas anotētas datu kopas, lai tās labi mācītos. Lielāku sirdslēkmes ierakstu datu kopu izveide būs laikietilpīga un sarežģīta. Bet tikai ar lielākām datu kopām klīnicisti var būt pārliecināti, ka algoritmi būs precīzi dažādās haotiskās vidēs, kurās strādā ārsti.
Bet potenciāls ir milzīgs. Mašīnas var atvieglot cilvēku ārstu nogurumu un sarežģītību, un darīt to bez noguruma. Un Strodtoff un Strodthoff izstrādātā pieeja ir vispārīgi piemērojama jebkurām laikrindu klasifikācijas problēmām neapstrādātiem datiem no tādām ierīcēm kā EKG un EEG, kuru medicīnā ir daudz. Tātad ir iespējamas arī citas lietojumprogrammas
Tas nozīmē, ka noteikti nepaies ilgs laiks, līdz lielākajai daļai no mums diagnozi vismaz daļēji noteiks mašīnas.
Atsauce: arxiv.org/abs/1806.07385 : Miokarda infarktu noteikšana un interpretācija, izmantojot pilnībā konvolucionālus neironu tīklus