AI 检测房颤复发的准确率达到 90%
- 一种新的深度学习方法可以以 90% 的准确率检测房颤复发的可能信号。
- 为此，它会分析三维心脏 MRI 图像并进行学习，并生成基于人体特定标志的解剖学表示。
根据 CDC 报告，美国约有 610 万人患有心房颤动 (AFib)，这是一种不规则且常常过快的心率，会增加心力衰竭、中风和其他并发症的风险。
高血压和高龄导致 AFib 病例高达 22%。通常，它会使中风的风险增加 5 倍，并导致 20% 的缺血性中风发生在流向大脑的血液被血管内壁中称为斑块的脂肪沉积物阻塞时发生。
尽管 AFib 不会危及生命，但它是一种严重的疾病，通常需要紧急治疗。 在许多情况下，治疗后它会再次出现。为了检测其复发的可能信号，犹他大学的研究人员设计了一种深度学习方法，可以以 90% 的准确率检测 AFib。
它是如何工作的？
深度神经网络使用三维心脏 MRI 图像来生成基于人体特定标志的解剖学表示，从而消除了手动预处理和分割等繁琐的任务。
为了预测 AFiB 复发，它会分析左心房（心脏的四个心室之一）的形状并寻找不规则之处。然而，有限的样本无法有效地训练网络。因此，研究人员应用数据增强方法来产生更多统计上可行的信息，从而在训练网络的同时降低过度拟合的风险。
卷积神经网络使用 NVIDIA Tesla GPU 和 TensorFlow 深度学习框架，在数百张 MRI 图片上进行训练。然后他们对 75% 的原始数据集进行了数据增强，以提高网络准确性。
参考：arXiv:1810.00475 |犹他大学
更具体地说，由于肺静脉的大量可能排列，左心房的结构在形状空间中表现出聚集。为了处理这个数字，他们将左心房形状建模为主成分分析子空间中的多模型高斯分布，其中三个分量提供最佳贝叶斯信息标准。
标准形状建模与提出的方法 |由研究人员提供
本次实验共使用了207个样本，其中175个用于数据增强，其余样本用于网络测试（作为未观察样本）。
结果
由于所提出的技术是通过从图片中学习形状描述符来工作的，因此它已被用于左心房的自动分割，并取得了可喜的结果。
阅读：人工智能可以比经验丰富的医生更准确地检测皮肤癌
在将该技术与需要定期人工干预和对应优化的现有最先进的形状分析工作流程进行比较后，他们发现结果在统计上具有可比性。深度神经网络预测的复发准确率达 90%，误差为 ±0.06%。
工业技术