ИИ достигает 90% точности в обнаружении рецидива фибрилляции предсердий

• Новый метод глубокого обучения обнаруживает возможные сигналы рецидива фибрилляции предсердий с точностью 90 %. 
• Для этого он анализирует и обучается на основе трехмерных МРТ-изображений сердца и генерирует анатомическое представление на основе ориентиров для конкретного человека. 

По данным отчета CDC, около 6,1 миллиона человек в США страдают фибрилляцией предсердий (ФП) – нерегулярным и часто учащенным сердцебиением, которое повышает риск сердечной недостаточности, инсульта и других осложнений.

Высокое кровяное давление и пожилой возраст являются причиной до 22% случаев мерцательной аритмии. Обычно это увеличивает риск инсульта в 5 раз и вызывает 20% ишемических инсультов, которые возникают, когда приток крови к мозгу затрудняется жировыми отложениями, известными как бляшки, в слизистой оболочке кровеносных сосудов.

Хотя мерцательная аритмия не опасна для жизни, это серьезное заболевание, которое часто требует неотложного лечения. Во многих случаях оно появляется снова после лечения. Чтобы обнаружить возможные сигналы рецидива, исследователи из Университета Юты разработали метод глубокого обучения, который обнаруживает мерцательную аритмию с точностью 90 %.

Как это работает?

Глубокие нейронные сети используют трехмерное изображение МРТ сердца для создания анатомического изображения конкретного человека на основе ориентиров, устраняя утомительные задачи, такие как предварительная ручная обработка и сегментация.

Чтобы предсказать рецидив AFiB, он анализирует форму левого предсердия (одной из четырех камер сердца) и ищет нарушения. Однако сеть невозможно эффективно обучить на ограниченных выборках. Поэтому исследователи применили подход к дополнению данных, чтобы получить более статистически достоверную информацию и, таким образом, обучить сеть, одновременно снизив риск переобучения.

Сверточная нейронная сеть обучается на сотнях изображений МРТ с использованием графических процессоров NVIDIA Tesla с платформой глубокого обучения TensorFlow. Затем они выполнили увеличение данных на 75 % исходного набора данных, чтобы повысить точность сети.

Ссылка:arXiv:1810.00475 | Университет Юты

Более конкретно, структура левого предсердия демонстрирует кластеризацию в пространстве форм из-за огромного количества возможных расположений легочных вен. Чтобы справиться с этим числом, они смоделировали форму левого предсердия как многомодельное гауссово распределение в подпространстве анализа главных компонентов, где три компонента обеспечивают лучший байесовский информационный критерий.

Моделирование стандартной формы в сравнении с предлагаемым методом | С разрешения исследователей

В этом эксперименте было использовано в общей сложности 207 выборок, из которых 175 использовались для увеличения данных, а остальные были отложены для сетевого тестирования (как ненаблюдаемые выборки).

Результаты

Поскольку предложенный метод работает путем изучения дескрипторов формы по изображениям, его использовали для автоматической сегментации левого предсердия с многообещающими результатами.

Читайте:ИИ может обнаруживать рак кожи точнее, чем опытные врачи

Сравнив этот метод с существующим современным рабочим процессом анализа формы, который требует регулярного вмешательства человека и оптимизации соответствия, они обнаружили, что результаты были статистически сопоставимы. Повторение, предсказанное глубокими нейронными сетями, имеет точность 90 % с ошибкой ±0,06 %.