Використання штучного інтелекту при виявленні фібриляції передсердь; iTransfer

Опублікував: Адріан Іфтене

Опубліковано: 20 грудня 2019 р

Що таке фібриляція передсердь? Фібриляція передсердь - це розлад серцевого ритму (аритмія), який змушує серце битися нерегулярно.

Рисунок 1: Нормальна поведінка серця (ліворуч) та нерегулярна поведінка при фібриляції передсердь (праворуч)

Серце розділене на 4 камери (2 передсердя і 2 шлуночки), і дві з них утворюють праве серце, який перекачує кров у легені. Накачування координується мережею електричних з'єднань, ініційованою кардіостимулятор (називається синусовим вузлом), що змушує серце регулярно скорочуватися. При фібриляції передсердь кардіостимулятор більше не працює належним чином, виробляючи нерегулярні електричні сигнали. Це призводить до ситуації, коли передсердя неправильно скорочуються, кровотік сповільнюється або застоюється, а шлуночки скорочуються нерегулярно (див. Малюнок 1).

Як видно на малюнку 2, ЕКГ показує різницю між нормальною поведінкою серця (ліворуч) та нерегулярною поведінкою серця при фібриляції передсердь (праворуч).

Рисунок 2: ЕКГ - Нормальний ритм (ліворуч) порівняно з нерегулярним ритмом, спричиненим фібриляцією передсердь (справа)

Миготлива аритмія (ФП) - найпоширеніший розлад серцевого ритму, який вражає мільйони людей. Кількість пацієнтів з року в рік зростає як в Європі, так і в Америці (Camm et al., 2010).

Причини ФП кілька (Робоча група ФА, 1993):

• Найчастіше: ішемічна хвороба серця, гіпертонія, серцева недостатність, вальвулопатії.
• Інші менш поширені причини: вроджені захворювання, порушення функції щитовидної залози, ожиріння, апное сну, хронічні захворювання легенів, діабет, ниркова недостатність.
• ФП може також виникати після операції на грудях і особливо на серці.

Деякий час ФП називали пароксизмальною фібриляцією та хронічною фібриляцією передсердь. Тоді були рекомендовані інші класифікації, і нещодавно Європейське кардіологічне товариство запропонувало таку пропозицію щодо класифікації (Camm et al., 2010):

1. Перший діагноз або перше відкриття, незалежно від тривалості або наявності/відсутності симптомів.
2. Пароксизмальна фібриляція передсердь, який спонтанно закінчується менш ніж за 7 днів, як правило, за 24 години.
3. Стійка фібриляція передсердь, який не закінчується через 7 днів. Потребує фармакологічного або електричного лікування.
4. Постійна фібриляція передсердь, триває більше 1 року, а лікування конверсії не мало ефекту або не робилося спроб.

Згідно з дослідженням, поширеність фібриляції передсердь з віком видно на малюнку 3 Антикоагуляція та фактори ризику при вивченні фібриляції передсердь (Schmid et al., 2011). Ці цифри відображають кількість чоловіків та жінок із фібриляцією передсердь у кожній віковій категорії. Видно, що чоловіки більш схильні до цього захворювання порівняно з жінками. Крім того, із збільшенням віку шанси фібриляції передсердь зростають як у чоловіків, так і у жінок.

Рисунок 3: Розподіл фібриляції передсердь за віком та статтю (Schmid et al., 2011)

Електрокардіограма

Міокард генерує електричне поле, яке поширюється на поверхню шкіри. Звідси електричне поле можна реєструвати, розміщуючи електроди в певних точках людського тіла. Графік, отриманий в результаті цього запису, називається електрокардіограмою (ЕКГ). Електрокардіограма - це графічний запис змін електричного потенціалу, що виникають під час серцевої діяльності.

Електрокардіограма надає інформацію про:

• Серцевий ритм;
• Походження імпульсу та його поширення (проведення) через масу міокарда;
• Розмір порожнин серця;
• Положення серця;
• Розширення та локалізація гострого інфаркту міокарда (ГІМ);
• Вплив зміни концентрації електролітів на властивості міокарда;
• Вплив деяких ліків на діяльність серця;
• Операція штучного кардіостимулятора, імплантованого пацієнту;
• Представляє "золотий стандарт" для діагностики порушень ритму та водіння.

Шлях ЕКГ складається з хвиль, сегментів та інтервалів (див. Малюнок 4):

• Хвиля Р;
• відрізок Pq;
• комплекс qRs;
• сегмент S-T;
• Хвиля Т;
• інтервал qT; +/- хвиля U.

Малюнок 4: Шлях ЕКГ

В останні роки штучний інтелект все частіше застосовується у багатьох сферах, включаючи медичну. Ми спостерігаємо справжню революцію в медицині та машинному навчанні, нейронних мережах, IoT (Intenet of Things), нанотехнологіях приходять на допомогу, з одного боку, лікарі (при більш аргументованому прийнятті рішення щодо діагнозу чи лікування) та медсестри в лікарнях (у моніторингу) легше пацієнтам), а з іншого боку, пацієнтам (які користуються персоналізованим лікуванням, пристосованим до них та хворобою) та їх сім'ям (які можуть допомогти в процесах лікування та відновлення пацієнтів) (Burlacu et al., 2019 ).

Генетичні алгоритми

Генетичний алгоритм (GA), використаний у роботі (Arotăriței and Rotariu, 2015), використовував функцію фітнесу, яка мала унікальну мету: отримати більш високі значення чутливості та чутливості. Запропонований авторами метод був протестований із використанням бази даних фібриляції передсердь Physionet MIT-BIH, і експериментальні результати виявили хорошу точність виявлення ФП з точки зору чутливості та специфічності (понад 90%). Параметри, використані генетичним алгоритмом у роботі (Arotăriței and Rotariu, 2015), були:

• L - довжина вікна,
• Pth1 - поріг, від якого вважається, що сегмент представляє AF (кількість сегментів AF/кількість загальних сегментів),
• RMSt - поріг RMSSD (середній квадрат послідовних відмінностей),
• ТПРт - поріг повороту,
• SEt - поріг ентропії Шеннона,
• TKt - енергетичний поріг Тігер-Кайзера.

У (Arotăriței and Rotariu, 2015) хромосома була ініціалізована цілим числом від 32 до 480, а цільова функція має на меті максимізувати два значення Se (Ентропія Шанона) і Sp (довжина вікна, в якому ми маємо AF). Алгоритм починається з популяції 50 осіб і після 40 ітерацій припиняє надання рішення. У цьому випадку поліоб'єктивна функція - мінімізація функцій 1-Se та 1-Sp. Отримані результати Se = 0.9017 та Sp = 0.9012, вони порівнянні з подібними рішеннями, але це має ту перевагу, що використовує меншу кількість файлів. На малюнку 5 ми бачимо, як у роботі була побудована хромосома (Weng et al., 2017), виходячи з віку пацієнтів.

Малюнок 5: Приклад вікової хромосоми, що використовується алгоритмом GA для ідентифікації ФП (Weng et al., 2017)

Методи класифікації ФП

Серед методів у галузі штучного інтелекту, що використовуються для класифікації ФП, ми згадуємо класифікації з використанням Naive Bayesian, SVM, kNN, ANN та LDA (Lim et al., 2016), які ми детально розберемо нижче. Класифікація AF проводиться з використанням морфології зубця P (Sahoo et al., 2011):

1. Амплітуда хвилі Р,
2. Площа під хвилею P,
3. Довжина хвилі P,
4. Часова відстань від початку хвилі Р до її піку,
5. Часова відстань між піком P і піком R.

Наївний байєсівський - У (Pourbabaee and Lucas, 2008) автори запропонували три різні класифікатори для ідентифікації AFIB, які базуються на kNN (K найближчий сусід), ANN (Штучна нейронна мережа) та наївний байєсівський. Вони показали, що серед класифікаторів AF, kNN пропонує найвищу точність виявлення AF з точністю 93,75% порівняно з ANN та Naive Bayesian, які мають точність 87,50% та 75,00 відповідно. % У роботі (Joy et al., 2013) автори запропонували комбіновану модель між наївським байєсовим та гауссовим (GMM) для класифікації ФП. Вони показали, що GMM пропонує дещо вищі показники чутливості, специфічності та точності порівняно з наївським байєсовим, отримуючи точність 99,00% і вище.

K найближчий сусід (kNN) - Кілька дослідників показали в ході експериментів, що найпростіший класифікатор, kNN, здатний класифікувати АФ з кращою точністю порівняно з іншими класифікаторами з однаковим набором характеристик (Падмаваті та Рамакрішна, 2015). Вони показали, що точність SVM та kNN становить 92,30% та 100%, відповідно, з однаковими характеристиками, отриманими методом Бурга. Подібні результати представлені в роботах (Pourbabaee and Lucas, 2008), (Prasad et al., 2013) та (Ros et al., 2004). Основні кроки в kNN можна побачити на малюнку 6 нижче.

Малюнок 6: Основні кроки в kNN

Штучна нейронна мережа (ANN) - Подібно до інших класифікаторів, ANN має як фазу навчання, так і фазу тестування. У фазі приводу нейронна мережа управляється за допомогою алгоритму зворотного поширення. В результаті для кожного вузла в мережі на кожному шарі розраховуються та отримуються найкращі ваги (Rumelhart et al., 1986), (Bre et al., 2018). Ці ваги вибираються відповідно до поведінки найкращої мережі, а потім використовуються для класифікації на етапі тестування. У період з 1994 по 2013 рр. ANN широко використовувався для алгоритму виявлення АФ. Найважливіші результати були отримані в 1994 р. (Yang et al., 1994), які отримали точність близько 92%, а потім у 2007-2008 рр. (Chesnokov et al., 2007) та (Kikillus et al., 2008), які отримали точність близько 93%, а в 2018 році (Bre et al., 2018) отримали точність близько 99%. З 2019 року стали використовуватися згорткові нейронні мережі (Attia та ін., 2019), точність яких починає покращуватися (99%).

Рисунок 7: Основна архітектура ANN (Bre et al., 2018)

Підтримка векторної машини (SVM) - Більшість алгоритмів виявлення АФ із класифікатором SVM здатні забезпечити хорошу продуктивність. У роботі (Asgari et al., 2015) автори представляють алгоритм SVM, який здатний виявляти AF з точністю 97%, а в (Jeon et al., 2014) представлене рішення SVM має точність приблизно 95%. У (Bruser et al., 2011) та (Padmavathi and Ramakrishna, 2015) автори використовували метод Бурга для вилучення характеристик та забезпечували хороші показники понад 95%. Дивіться архітектуру системи на базі SVM на малюнку 8 нижче.

Рисунок 8: Основна архітектура SVM

Аналіз лінійної дискримінації (LDA) - У цій роботі (Lee et al., 2006) AF класифікували LDA на основі хвилі F та інтервалу RR з клінічною оцінкою, отримуючи точність понад 92%. Тоді як автори (Chong et al., 2013) використовували LDA для класифікації АФ та впроваджували алгоритм для смартфона з точністю понад 96%. На рисунку 9 ми бачимо до та після класифікації за LDA.

Рисунок 9: Класифікація за LDA

Сучасні пристрої для ідентифікації АФ

Смарт-телефони - Автори статті (Krivoshei et al., 2016) представляють ряд експериментів, які вони провели та використовували iPhone 4S. Телефон був розміщений з об'єктивом камери та світлодіодним світлом на кінчику вказівного пальця (див. Малюнок 10 нижче), щоб уловлювати сигнал. Вони використовували кілька статистичних методів для виявлення пацієнтів з ФП. Експерименти, проведені на 80 пацієнтах, показали точність понад 95% запропонованих методів. У 2017 році (Lahdenoja et al., 2017) я використовую акселерометр та гіроскоп на смартфоні з Google Android для виявлення автофокусування та отримання точності понад 97%.

Рисунок 10: Отримання сигналу за допомогою iPhone 4S (Кривошей та ін., 2016)

Відеокамери - У роботі (Corino et al., 2017) автори використовували професійну відеокамеру (з роздільною здатністю 659 х 494 пікселів) для збору 3-хвилинних відеороликів від 24 пацієнтів. Камера розташовувалася на відстані 1,5 м від пацієнта і знімала відео протягом усіх експериментів. Потім відео обробляли, виконуючи такі 3 кроки: (1) ідентифікація обличчя, (2) переміщення пацієнта та (3) вилучення сигналу. Отримані результати мали точність приблизно 0,96%. У статті (Hewitt, 2013) автор представляє набір експериментів, проведених в Массачусетському технологічному інституті, які, посилюючи рух голови, досягають частоти серцевих скорочень, а потім виявляють ненормальну поведінку, як у випадку з ФП (див. Малюнок 11 нижче).

Цей розділ має на меті окреслити потенційні рамки для співпраці між науковими колами та промисловістю. Таким чином, у цьому розділі ви знайдете повідомлення про наявне фінансування або проекти, запропоновані та реалізовані на національному/міжнародному рівнях у сферах, що мають значення для передачі визначених знань.

Рисунок 11: Вилучення інформації з відеофайлу

Розумні годинники - Розумні годинники починають мати все більше і більше датчиків, які дозволяють контролювати стан здоров’я тих, хто їх носить. У (Grieten et al., 2017) за допомогою смарт-годинника (E4, Empatica), який вимірює сигнал фотоплетизмографії (PPG) на зап’ясті, та iPhone 5S, який вимірює той самий сигнал на вказівному пальці, вони провели експерименти, щоб побачити їх точність порівняно з імплантованим пристроєм (див. малюнок 12).

Рисунок 12: Моніторинг та синхронізація вилучених даних із імплантованим пристроєм, розумним годинником та iPhone (Grieten et al., 2017)

В даний час на веб-сайтах Amazon існує ряд пристроїв, які дозволяють контролювати пульс і сигналізувати АФ (див. Малюнок 13 нижче). Вони спрямовані на допомогу пацієнтам, які тепер можуть контролювати свою серцеву діяльність, не маючи необхідності щоразу звертатися до фахівця. Різниця між ними полягає у ціні та точності даних, взятих у пацієнта.

Рисунок 13: Пристрої, доступні на веб-сайті Amazon для проведення ЕКГ

Фібриляція передсердь - це розлад серцевого ритму, який змушує серце битися нерегулярно. У пацієнтів з цим розладом уповільнений кровотік і шлуночки скорочуються нерегулярно. За допомогою ЕКГ ці порушення можна діагностувати, а алгоритми штучного інтелекту можуть розшифровувати їх зміст і робити класифікації з дуже хорошою точністю. Підходи останніх років базуються на генетичних алгоритмах та методах класифікації, таких як наївські байєсівські, SVM, kNN, ANN та LDA.

Сучасні пристрої, які з’явилися в останні роки, дозволяють збирати дані від пацієнтів і можуть попереджати та сигналізувати про проблемні ситуації. Смартфони, відеокамери, розумні годинники та спеціальні пристрої на Amazon можуть зробити ЕКГ з досить хорошою точністю і можуть підписати аномалії, які повинні бути детальніше проаналізовані фахівцем.

Запропоновані методи та пристрої, здається, допомагають спеціалісту, повідомляючи про ненормальні ситуації, що трапляються у його пацієнтів, і таким чином спрямовуючи його увагу на критичні ситуації, які вимагають негайного втручання. Вони також допомагають пацієнтам, яким більше не доводиться щоразу приходити до лікарні, щоб зробити аналізи.

---