Машинное обучение: всем сердцем
Позвольте мне рассказать вам историю. История о докторе, отец которого скончался несколько лет назад от рака простаты. Врач, которого он раньше консультировал, сначала сказал ему, что он проживет всего два года. Основанием для этого решения послужила комбинация опыта, полученного им при столкновении с подобными пациентами, а также вариантов лечения, доступных в то время. Затем сын, обеспокоенный за своего отца, взял дело в свои руки и начал играть активную роль, исследуя клинические испытания и новые варианты лечения. Его цель состояла в том, чтобы найти лечение, которое могло бы помочь его отцу, и в целом люди жили бы дольше. И, кто не хочет спасать своих близких! Верно?
Поэтому врач начал собирать соответствующую литературу и вместе с отцовским врачом разрабатывать оптимальный план. В результате жизнь его отца расширилась еще на девять лет.
Когда я впервые услышал эту историю, я не мог поверить, что это правдивая история, скорее я должен был понять, что всегда есть возможности для улучшения в любом секторе. На самом деле, если дело доходит до здравоохранения, можно сделать множество вещей, и при правильном планировании жизнь может стать лучше, дольше на недели, месяцы или годы. Кто знает!
Хотя в рассказе выше упоминался рак, давайте поговорим о «сердечно-сосудистых заболеваниях», которые всегда были модным словом в здравоохранении. Согласно статистике, сердечно-сосудистые заболевания остаются ведущей причиной смерти в США, на них в 2016 г. произошло 840 768 смертей (635 260 от сердечных заболеваний). По данным ВОЗ, 17,9 миллиона человек ежегодно умирают от сердечно-сосудистых заболеваний, что составляет 31% всех смертей во всем мире.
В этом есть смысл. Но все же есть вопросы. Как можно использовать инженерные разработки и технологии для решения этой проблемы? Что ж, само собой разумеется, что технологии влияют на жизнь, и медицина недалеко от этого. Фактически, это касается лечения, и в последние годы автоматизация приобрела большую популярность. От хирургических вмешательств с помощью роботов до машинной диагностики - медицинская профессия стоит на пороге технологической революции, основанной на данных.
Итак, исследования продолжаются, чтобы найти автоматизированные системы обнаружения для диагностики заболеваний. Особенно широкое признание получило обнаружение сердцебиения, позволяющее определить, страдаете ли вы хроническими сердечными заболеваниями. Это действительно диапазон от инфаркта миокарда до аритмии. Но в этой статье остановимся на аритмии.
Что такое аритмия?
Аритмия - это проблема ритма вашего сердцебиения. Это означает, что ваше сердце бьется слишком быстро, слишком медленно или неравномерно. Это случается спорадически в повседневной жизни человека, но может быть серьезной причиной смерти. Из-за этого ежегодно происходит более 750 000 госпитализаций. По оценкам, это заболевание является причиной 130 000 смертей ежегодно. Показатель смертности от аритмии как основной или сопутствующей причины смерти растет уже более двух десятилетий.
Есть несколько способов проверить аритмию, например, монитор Холтера, беговая дорожка и многое другое. Но сигнал ЭКГ становится все более надежным для автоматического определения аритмии.
Биения ЭКГ содержат много данных, гораздо больше, чем вы думаете. например, если сигнал ЭКГ отслеживается в течение 10 минут, он содержит около 10000 данных. Этот огромный объем данных требует надлежащего ухода. Он нуждается в соответствующем уходе. Более того, чтобы разработать более точное автоматическое обнаружение, огромное количество данных действительно пригодится.
Но кто звонит в колокольчик?
Это машинное обучение.
Чем больше данных вам нужно, тем более эффективные модели необходимо разработать. Алгоритмы машинного обучения предоставляют вам такой доступ. Он крайне требователен к данным и уже многообещающе работает во многих областях, где инженерия играет свою роль. Такие громкие имена, как Adobe, Facebook, Google, Baidu и т. Д., Широко используют алгоритмы машинного обучения в более широком спектре приложений и проектов. Медицинский сектор не исключение. Фактически, достижения в области электронных медицинских карт были значительными и могут предоставить врачам полезную информацию для ухода за пациентами. Но для создания такой умной машины необходимо обработать огромный массив данных. Машинное обучение может сделать это за вас. Он может преобразовать анализ в клиническую информацию, которая может оказаться очень удобной как для врачей, так и для пациентов.
Недавно Google попал в заголовки газет с их замечательным проектом. Они разработали алгоритм ML для выявления опухолей. Стэнфорд работает над алгоритмом, который обнаруживает раковые клетки кожи, и многие вещи происходят в сфере медицинских технологий с использованием алгоритмов машинного обучения.
Так что насчет аритмии? Что ожидает забота о вашем сердцебиении? Давайте попробуем разобраться в этом.
Современное определение аритмии на основе ЭКГ:
Процесс
Давайте углубимся в процесс. Следует учитывать две вещи: сигнал ЭКГ и алгоритмы классификации машинного обучения.
ЭКГ:
ЭКГ - это тест, при котором электрическая активность сердца измеряется как напряжение. На приведенном выше рисунке можно увидеть сигнал ЭКГ. Он состоит из периодической последовательности зубцов P, Q, R, S, T и покомпонентно состоит из трех частей: зубца P, комплекса QRS и зубца T. Эти части содержат необходимую информацию об активности предсердий и желудочков и, следовательно, данные об общем состоянии вашего сердца.
Теперь перейдем к разделу измерений.
В традиционной машине с 12 отведениями и электродами, прикрепленными к телу, измеряется электрический сигнал, который оценивается электродами в трех направлениях (спереди назад, вверх и вниз, слева направо).
Таким образом, отслеживая ритм и скорость, движение сигнала оценивается для обнаружения таких проблем, как аритмия. Помимо прочего, ЭКГ можно использовать для измерения размера и положения камер сердца, наличия любого повреждения клеток сердечной мышцы или проводящей системы.
Алгоритмы машинного обучения:
Теперь, когда вы знаете данные, вы должны их обработать. Машинное обучение предоставляет для этого алгоритмы классификации. Эти алгоритмы обычно извлекают особенности сердцебиения, оценивая волны, такие как комплекс QRS, упомянутый выше. Поскольку классификация - это контролируемый процесс обучения, машина уже обучена с предоставленными ей входными данными (также называемыми обучающими данными), и она использует это обучение и классифицирует новые наблюдения. Здесь, при обнаружении аритмии, новые данные классифицируются как нормальное или ненормальное сердцебиение.
В приведенной выше таблице показаны некоторые хорошо известные классификаторы со значением точности со ссылкой на исследовательскую работу. Весь набор данных ЭКГ был разделен на некоторые части, такие как обучающий набор для обучения модели, набор для тестирования для тестирования, а затем все данные использовались для измерения общей производительности.
Разработка метода определения сердцебиения на основе ЭКГ для выявления аритмии не является новой задачей. Ученые беспокоились об этом уже несколько лет. После включения машинного обучения оно открыло новое измерение ученым-биомедикам. SVM, CNN, Deep Learning - эти алгоритмы классификации каждый день вселяют новые надежды. Итак, количество исследований увеличивается. Просто с помощью простого поиска в Google вы можете найти тысячи статей и исследовательских работ по этой конкретной теме.
Есть кое-что поинтереснее. «Европейское общество кардиологов» опубликовало статью в мае 2019 года. Искусственный интеллект доказал свою эффективность при отборе пациентов со смертельной аритмией и впервые предсказал внезапную смерть пациентов с сердечной недостаточностью. За всем этим стоит новый алгоритм машинного обучения.
Думаю, вы уже получили представление обо всем этом. Каждый день разрабатываются все более многообещающие методы с лучшим показателем точности. Иногда в мире обнаружения аритмии появляются новые модели с новыми алгоритмами или иногда существующие модели с повышенной точностью. Прелесть машинного обучения в том, что оно всегда стремится превзойти себя, а мы тем временем получаем пользу.
Что делать в будущем?
Машинное обучение в диагностике аритмии обеспечивает нам необходимую эффективность. Тем не менее, есть некоторые необходимые будущие работы, которые необходимо учитывать. Они предназначены для разработки новых моделей, улучшения существующих моделей, внедрения алгоритмов машинного обучения в реальный мониторинг ЭКГ с привлечением врачей, добавлением более разнообразных наборов данных и повышением точности.
Технологии используются для лучшего будущего. И начало машинного обучения тоже не так уж плохо. Как инженеры, мы хотим предоставить каждому лучшее оборудование, и мы также не хотели бы ни одной ошибки в наших машинах, которая может стоить нам сотен или даже тысяч жизней. Итак, стремление к совершенству всегда будет рядом, и мы надеемся на прекрасное путешествие к лучшему будущему с лучшим здравоохранением для всех.
Использованная литература:
1. https://www.healthcatalyst.com/clinical-applications-of-machine-learning-in-healthcare
2. https://www.sciencedaily.com/releases/2019/05/190513104505.htm
4. https://www.sciencedirect.com/science/article/pii/S0167739X17324548
