AI检测房颤复发准确率达90%：基于3D心脏MRI的深度学习突破

据CDC报告，美国约610万人患房颤(AFib)——心率不齐且常过快，增加心衰、中风等并发症风险。

高血压和年龄增长占房颤病例22%。通常使中风风险增5倍，导致20%缺血性中风（脂肪斑块阻塞脑部血管）。

房颤虽非直接致命，但需急救的严重疾病。治疗后常复发。为检测复发信号，犹他大学研究者设计深度学习法，检测准确率达90%。

深度神经网络用3D心脏MRI图像生成个性化地标解剖表征，省去手动预处理和分割等繁琐任务。

预测房颤复发时，分析左心房（四心室之一）形状并寻找异常。但有限样本难高效训练网络。因此研究者应用数据增强生成更多统计可行信息，训练网络同时降低过拟合风险。

卷积神经网络在数百张MRI图像上训练，用NVIDIA Tesla GPU和TensorFlow深度学习框架。对原始数据集75%做数据增强提升网络准确度。

参考：arXiv:1810.00475 | 犹他大学

具体而言，肺静脉排列组合极多导致左心房结构在形状空间呈聚类。为应对该问题，他们在主成分分析(PCA)子空间将左心房形状建模为多模高斯分布，三成分提供最佳贝叶斯信息准则。

标准形状建模 vs 提出方法 | 研究者提供

实验共用207样本，175份用于数据增强，其余留作网络测试（未观测样本）。

因技术通过从图像学习形状描述符，已用于左心房自动分割并获良好结果。

阅读：AI检测皮肤癌准确度超资深医生

与需人工干预和对应优化的现有最先进形状分析工作流对比，结果统计学可比。深度神经网络预测复发准确率90%，误差±0.06%。

工业技术