ИИ достигает 90% точности в обнаружении рецидива мерцательной аритмии

• Новый метод глубокого обучения обнаруживает возможные сигналы рецидива мерцательной аритмии с точностью 90%.
• Для этого он анализирует и обучается на трехмерных кардиальных МРТ-изображениях и генерирует персонализированное представление анатомии на основе ориентиров.

Согласно отчету CDC, около 6,1 миллиона людей в США страдают от мерцательной аритмии (AFib) — неправильного и часто быстрого сердечного ритма, повышающего риск сердечной недостаточности, инсульта и других осложнений.

Высокое артериальное давление и возраст составляют до 22% случаев AFib. Обычно это увеличивает риск инсульта в 5 раз и вызывает 20% ишемических инсультов, возникающих, когда поток крови к мозгу препятствуется жирными отложениями, известными как плак, в выстилающей кровеносной оболочке сосуда.

Хотя AFib не является угрожающей жизни, это серьезное состояние, часто требующее экстренного лечения. Во многих случаях оно повторяется после лечения. Для обнаружения возможных сигналов его рецидива исследователи Юта университета разработали метод глубокого обучения, обнаруживающий AFib с точностью 90%.

Как это работает?

Глубокие нейронные сети используют трехмерные кардиальные МРТ-снимки для создания персонализированного представления анатомии на основе ориентиров, устраняя трудоемкие задачи вроде ручной предобработки и сегментации.

Для предсказания рецидива AFib он анализирует форму левого предсердия (одной из четырех камер сердца) и ищет неправильности. Однако сеть не может быть эффективно обучена на ограниченных выборках. Поэтому исследователи применили подход аугментации данных для генерации более статистически достоверной информации, и таким образом обучить сеть, снижая риск переобучения.

Сверточная нейронная сеть обучена на сотнях МРТ-снимков, используя GPU NVIDIA Tesla с фреймворком глубокого обучения TensorFlow. Затем они выполнили аугментацию данных на 75% исходного датасета для улучшения точности сети.

Ссылка: arXiv:1810.00475 | Юта университет

Более конкретно, структура левого предсердия демонстрирует кластеризацию в пространстве форм из-за огромного числа возможных расположений легочных вен. Для работы с этим числом они смоделировали формы левого предсердия как многомодальное гауссово распределение в подпространстве Главного Компонентного Анализа, с тремя компонентами, обеспечивающими лучший байесовский информационный критерий.

Стандартное моделирование формы против предложенного метода | По материалам исследователей

В этом эксперименте всего было использовано 207 выборок, из которых 175 использовались для аугментации данных, а остальные отложены для тестирования сети (как невидимые выборки).

Результаты

Поскольку предложенная техника работает за счет обучения дескрипторов формы из снимков, она была использована для автоматической сегментации левого предсердия с перспективными результатами.

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

После сравнения этой техники с существующим современным процессом анализа формы, требующим регулярного человеческого вмешательства и оптимизации соответствия, они обнаружили, что результаты были статистически сопоставимы. Рецидив, предсказанный глубокими нейронными сетями, точен на 90% с погрешностью ±0,06%.