Koneoppiminen löytää sydänvikoja

Tiimi testasi lähestymistapaansa 11 lahjoitetulla ihmissydämellä ja paikalla olevilla AF-kuljettajilla jopa 81%: n tarkkuudella.

Monielektrodikartoitus (MEM) on tekniikka, jota voidaan soveltaa toimenpiteen aikana, jossa elektrodiryhmä painetaan kudosta vasten sähköisen aktiivisuuden mittaamiseksi. AF-kuljettajien on kuitenkin osoittautunut vaikeaksi löytää riittävän luotettavasti tai tarkasti tätä tekniikkaa käyttämällä - koska tavoitteena on polttaa AF-ohjain sydänkudoksesta - nimeltään kohdennettu ablaatio.

On tekniikka, joka pystyy paikantamaan tarkennusajurit tarkasti, nimeltään pinnan lähellä oleva infrapuna-optinen kartoitus (NIOM), jonka resoluutio on 0,3 mm, mutta on niin invasiivinen, ettei sitä voida käyttää jonkun sisällä toiminnan aikana.

Ryhmä esitti itselleen kysymyksen: Voisiko lahjoitetuista sydämistä kerättyjä samanaikaisia ​​MEM- ja NIOM-tietoja käyttää koneen kouluttamiseen tarkentavien kuljettajien paikantamiseen vain MEM-tietojen avulla.

Ja tämän käsitteellisen tutkimuksen tulokset - että 81 prosentissa tapauksista yksin MEM-tiedot pystyisivät ohjaamaan ablaatiota riittävän tarkasti - ovat lupaavia.

"Koulutettu ML-malli pystyy tunnistamaan AF-kuljettajat MEM: ssä, mikä tarkoittaa, että sitä voidaan mahdollisesti käyttää klinikalla", Alexander Zolotarev, tohtorikoulutettava Moskovan Skolkovon tiede- ja teknologiainstituutissa, kertoi Electronics Weeklylle.

"11 ihmisen sydämen tallentamisen tietojoukko on sekä korvaamaton että liian pieni", kertoi tutkija Dmitry Dylov. "Tajusimme, että kliininen käännös vaatii paljon suuremman näytekoon edustavan näytteenoton kannalta."

MEM-mittauksia varten kokeiltiin kahta 8 x 8 elektrodiryhmää, yksi 3 mm: n ja toinen 9 mm: n, kun taas kamerat katsoivat NIOM: n toteuttamista (katso kaavio).

Joukkue vuoden 2019 Heart Rhythm Society -konferenssissa

Harjoittelussa ja käytössä elektrodien signaalit transformoitiin Fourier-taajuusalueeseen, sitten taajuuspiikkien korkeudet ja sijainnit käsiteltiin datana oppimista tai instantointia varten.

3 mm: n taulukko antoi enemmän hyödyllisiä tuloksia, mutta molemmilla oli etuja.

"Yleinen ML-malli yhdistää molempien MEM-ryhmien tiedot", Zolotarev sanoi. "Mutta vain yhtä matriisista voidaan käyttää kartoituksen aikana, niitä ei voida toteuttaa samanaikaisesti."

”Optisella kartoituksella validoitu koneoppiminen parantaa eteisvärinäajurin tunnistusta monielektrodikartoituksella” kuvataan työtä yksityiskohtaisesti AHA-lehdessä Circulation: Arrhythmia and Electrophysiology. Vain tiivistelmä on vapaasti saatavilla.

Skolkovon tiede- ja teknologiainstituutti työskenteli Ohion osavaltion yliopiston Wexnerin lääketieteellisen keskuksen ja Venäjän laskennallisen ja dataintensiivisen tieteen ja tekniikan keskuksen kanssa.

Kaavioluotot: Pavel Odinev Skoltech
Kuvahyvitys: Fedorov lab Ohio State