Искусственные нейронные сети в кардиологии
жүктеу/скачать 48,98 Kb.
|
Доклад
| ПРИМЕНЕНИЕ В КАРДИОЛОГИИ
Системы поддержки принятия решений. В исследовании была использована рекуррентная ИНС для раннего выявления начала сердечной недостаточности. В данном исследовании были использованы 3884 случая сердечной недостаточности для обучения ИНС и данные 28903 людей из контрольной группы, которые являются пациентами неотложной медицинской помощи. Каждому из них соответствовали 72 клинических кода, описывающих их состояние. Подчеркивается, что ИНС проявила превосходную эффективность в прогнозировании начала сердечной недостаточности по сравнению с популярными методами. Так, используя 12-месячное окно наблюдения, ИНС показала точность в среднем 75.2 %, а при 18-месячном – 85.9 % В одном из исследовании использовали ИНС глубокого обучения для оценки статистических данных. Выборка содержала данные 4146 пациентов со средним возрастом 52 года. При оценке их состояния учитывали возраст, пол, индекс массы тела, общий холестерин, холестерин липопротеинов высокой плотности, систолическое артериальное давление, диастолическое артериальное давление, триглицерид, гемоглобин, заболевания щитовидной железы, хронические почечная недостаточность, гепатит B, гепатит C, цирроз печени, курение и диабет. По данным, которые предоставили авторы, наилучшая производительность была получена при исключении семи параметров (пол, гемоглобин, заболевания щитовидной железы, хронические почечная недостаточность, гепатиты B и C, цирроз печени) с точностью прогнозирования в 81.2 %. Так же использование ИНС в области обработки ЭКГ рассматривается с точки зрения применения вейвлет преобразований с точностью определения P-волн, QRSкомплексов и T-волн в среднем 97.5 %, 98.4 % и 97.2 %, соответственно. Однако, применение ИНС позволяет увеличить скорость и качество анализа этих данных. В работе была применена ИНС глубокого обучения для автоматической классификации сигналов ЭКГ. В работе был использован набор данных MIT-BIH, содержащий 48 получасовых записей из двухканальных амбулаторных ЭКГ 47 пациентов. Процесс обработки сигнала состоял из следующих шагов: уменьшение шума; определение пиков на ЭКГ сигнале (выявление расположения P-, Tволн и R-пиков); сегментация сигнала на одиночные удары сердца, которые будут отнесены к «здоровой» и «патологической» группе; извлечение дополнительной информации о сигнале (разбиение на удары сердца приводит к потере информации о профиле отдельной пульсации и вариативности сигнала). Каждый получасовой отрезок ЭКГ был поделен на пятиминутные отрезки, что в общей сложности дало 84615 уникальных записей. Их классификация показала, что 66750 записей отвечает критериям «нормальной» группы, 2288 – «патологической» (содержащие преждевременные сокращения желудочков, наджелудочковые преждевременные сокращения или слияния желудочковых и нормальных сокращений), а 14828 являются неклассифицируемыми записями, которые затем были исключены из рассмотрения. В результате такой подготовки данных 2288 записей из «здоровой» группы были случайным образом отобраны для дальнейшей работы. Всего для обучающего набора были выбраны 60 % от 4576 записей (1466 записей из «здоровой» группы и 1246 из «патологической»). Разработанная ИНС глубокого обучения была создана с использованием Google TensorFlow и показала крайне высокую точность (более 99 %), по сравнению с другими алгоритмами. A. Sbrollini с соавторами разработали специализированную ИНС, которая позволяет обнаруживать вновь возникающие или прогрессирующие патологии сердца по последовательным данным стандартной 12-канальной ЭКГ. Их сравнение дает возможность определить новые патологии, либо проверить эффективность конкретной терапии или вмешательства. Выборка для обучения и тестирования ИНС состояла из двух наборов данных: содержащих информацию о сердечной недостаточности (128 ЭКГ) и об ишемии (482 ЭКГ). Каждое ЭКГ конвертировали в векторкардиограмму и далее вычисляли 13 параметров. Весь набор ЭКГ случайным образом разделили на два набора: обучающий (64 ЭКГ СН и 241 ЭКГ ишемии) и тестировочный (65 ЭКГ СН и 241 ЭКГ ишемии). Особенность применяемой ИНС заключается в динамической формировке архитектуры, используя повторяющуюся процедуру структурирования и обучения, которая была разработана авторами для решения данного типа задач классификации. В результате обучения и тестирования ИНС на двух клинических базах данных была получена трехуровневая архитектура ИНС. Оценка работы алгоритма с помощью ROC -анализа показала качество работы 84 % и 83 % соответственно каждой базе данных. Л.Н. Ясницкий и Ф.М. Черепанов создали нейронную сеть прогнозирования изменения состояния пациента в зависимости от изменения образа жизни. Авторами были исследованы 8 параметров, среди которых были: риск заболевания инфарктом миокарда, стенокардия стабильная, стенокардия нестабильная, ишемическая болезнь сердца, гипертоническая болезнь, аритмия и блокада сердца, хроническая и острая сердечная недостаточность. К сожалению, в работе не описан процесс обучения и уровень точности полученной ИНС, но отмечено, что данным методом, при использовании исторических данных с учетом текущего состояния пациента, ИНС позволяет снизить погрешность моделирования в среднем на 5–7 %. В заключение авторы говорят, что предложенная ИНС является «нейроэкспертной медицинской системой», с помощью которой можно не только производить диагностику, но и получать долгосрочные прогнозы развития заболеваний, а также рассматривать с прогностической точки зрения шансы развития новых заболеваний. Разработанная ИНС позволяет «управлять» появлением и развитием прогнозируемых заболеваний путем предоставления рекомендаций по ведению образа жизни. жүктеу/скачать 48,98 Kb. Достарыңызбен бөлісу:
|