211service.com
Algoritme matcher menneskelige kardiologer til at opdage hjerteanfald
Et myokardieinfarkt eller hjerteanfald opstår, når blodforsyningen til hjertemusklen er permanent forstyrret af en blokering af en eller anden type. Behandlingen involverer enten at udvide den fornærmende arterie med en ballon eller stent for at lade blodet flyde igen eller helt omgå blokeringen med koronar bypass-operation.
Uanset hvad skal indgrebet være rettidigt, og en hurtig diagnose kan gøre en kæmpe forskel. I det ofte kaotiske miljø på en skadestue savnes tegnene på et hjerteanfald dog ikke sjældent, og konsekvenserne er dybe.
Så en automatiseret måde at præcist og pålideligt spotte de afslørende tegn ville være et væsentligt skridt fremad. Men på trods af megen forskning på dette område er automatiserede hjerteovervågningssystemer betydeligt mindre pålidelige end uddannede kardiologer.
I dag ser det ud til at ændre sig takket være arbejdet fra Nils Strodthoff ved Fraunhofer Heinrich Hertz Instituttet i Berlin og Claas Strodthoff ved University Medical Center Schleswig-Holstein i Kiel, begge i Tyskland. Disse fyre har udviklet et neuralt netværk, der kan se tegnene på myokardieinfarkt, og de siger, at maskinen matcher ydeevnen hos menneskelige kardiologer for første gang.
Først lidt baggrund. En af de bedste måder at diagnosticere et hjerteanfald på er at bruge en elektrokardiograf til at måle det elektriske output fra hjertet. Et standard-EKG registrerer det elektriske signal fra 12 forskellige ledninger, der er knyttet til forskellige dele af patientens krop.
Disse signaler afslører hjertets elektriske adfærd på forskellige måder. Kardiologer har længe vidst, at signalerne fra nogle af disse ledninger er mere nyttige diagnostisk end andre, når det kommer til hjerteanfald.
Men det er svært at fortolke dataene. En kliniker skal først udarbejde en form for basisniveausignal, ignorere enhver støj eller beskadigede data og derefter isolere individuelle hjerteslag. Klinikeren leder derefter efter foruddefinerede eller automatisk detekterede tidsintervaller og spændingsværdier for hvert slag.
Til sidst skal han eller hun identificere de passende træk i hjerteslag og klassificere tilstanden i overensstemmelse hermed. Klassificeringsprocessen kompliceres yderligere af tilstedeværelsen af et signal kaldet en ST elevation. Patienter med dette signal bør behandles så hurtigt som muligt, mens patienter uden det kræver yderligere tidskrævende tests.
Ingen af disse trin er nemme. Faktisk bliver de alle vanskeligere af uregelmæssige eller usædvanlige hjerteslag, af støj og af datakorruption, som alle er almindelige i et skadestuemiljø.
Så måske er det ingen overraskelse, at mennesker i alt dette kaos klarer sig væsentligt bedre end maskiner.
Men i de senere år har neurale netværk gjort betydelige fremskridt i mønstergenkendelsesproblemer såsom ansigts- og objektidentifikation. Så der er betydelig interesse for at anvende disse teknikker til medicinske data, hvor mønstergenkendelse også er målet.
Det har Strodthoff og Strodthoff gjort med en database med 148 EKG-optegnelser fra patienter med myokardieinfarkt og 52 raske kontroller. De brugte en skydevindue-teknik til at føre data til et neuralt netværk. Hvert vindue omfattede mindst tre hjerteslag.
Holdet brugte 90 procent af dataene til at træne et neuralt netværk for at se tegnene på et hjerteanfald.
Resten af dataene blev brugt til at teste netværket med interessante resultater. Den foreslåede arkitektur slår de nuværende state-of-the-art tilgange på dette datasæt og når et lignende præstationsniveau som menneskelige kardiologer til denne opgave, siger Strodthoff og Strodthoff.
Hvad mere er, har maskinerne en tendens til fortrinsvis at stole på data fra de samme ledninger, som menneskelige kardiologer har lært at stole på.
Det imponerende resultat viser potentialet for intelligente maskiner til dramatisk at forbedre sundhedsplejen. Men det er selvfølgelig ikke perfekt.
Et potentielt problem er, at det datasæt, der bruges her, er relativt lille. Maskinlæringsalgoritmer kræver generelt enorme annoterede datasæt for at lære godt. Det vil være tidskrævende og hårdt at oprette større datasæt af hjerteanfaldsoptagelserne. Men kun med større datasæt kan klinikere være sikre på, at algoritmerne vil være nøjagtige i den brede vifte af kaotiske miljøer, som læger arbejder i.
Men potentialet er enormt. Maskiner kan lindre noget af medicinens kedelighed og kompleksitet for menneskelige læger - og gøre det uden at blive træt. Og den tilgang, der er udviklet af Strodthoff og Strodthoff, er generisk anvendelig til alle tidsserieklassifikationsproblemer af rådata fra enheder som EKG'er og EEG'er, som findes i overflod i medicin. Så andre applikationer er mulige
Hvilket betyder, at det bestemt ikke vil vare længe, før de fleste af os bliver diagnosticeret, i det mindste delvist, af maskiner.
Ref: arxiv.org/abs/1806.07385 : Detektering og fortolkning af myokardieinfarkter ved hjælp af fuldt konvolutionelle neurale netværk