Машинное обучение находит пороки сердца

Команда проверила свой подход на 11 пожертвованных человеческих сердцах и обнаружила драйверы AF с точностью до 81%.

Мультиэлектродное картирование (MEM) - это метод, который можно применять во время операции, при которой массив электродов прижимается к ткани для измерения электрической активности. Но оказалось, что с помощью этого метода трудно найти драйверы автофокуса с достаточной надежностью или точностью, поскольку цель состоит в том, чтобы сжечь драйвер автофокусировки изнутри сердечной ткани - так называемая целевая абляция.

Существует метод, позволяющий точно определить местонахождение драйверов автофокусировки, называемый подповерхностным ближним инфракрасным оптическим картированием (NIOM), который имеет разрешение 0,3 мм, но настолько агрессивен, что его нельзя использовать внутри кого-либо во время операции.

Команда поставила себе вопрос: можно ли использовать одновременные данные MEM и NIOM, собранные из пожертвованных сердец, для обучения машины точному обнаружению драйверов AF с использованием только данных MEM.

И результаты этого исследования, подтверждающего концепцию, - что в 81% случаев одни только данные MEM могут с достаточной точностью определять абляцию - являются многообещающими.

«Обученная модель машинного обучения может определять драйверы автофокуса на MEM, а это означает, что потенциально ее можно использовать в клинике», - сказал Electronics Weekly Александр Золотарев, аспирант Сколковского института науки и технологий в Москве.

«Набор данных записи из 11 человеческих сердец бесценен и слишком мал», - сказал научный сотрудник Дмитрий Дылов. «Мы поняли, что клинический перевод потребует гораздо большего размера выборки для репрезентативной выборки».

Для измерений MEM были опробованы две матрицы электродов 8 x 8, одна с шагом 3 мм и одна с 9 мм, в то время как камеры рассматривали возможность реализации NIOM (см. Диаграмму).

Команда на конференции Heart Rhythm Society 2019

При обучении и использовании сигналы от электродов преобразовывались Фурье в частотную область, затем высоты и положения частотных пиков обрабатывались в данные для обучения или создания экземпляров.

Массив 3 мм дал более полезные результаты, но оба имели преимущества.

«Общая модель машинного обучения объединяет данные из обоих массивов MEM», - сказал Золотарев. «Но во время сопоставления можно использовать только один из массивов, их нельзя реализовать одновременно».

«Машинное обучение, подтвержденное оптическим картированием, улучшает обнаружение факторов фибрилляции предсердий с помощью многоэлектродного картирования» - подробно описывает работу в журнале AHA Journal Circulation: Arrhythmia and Electrophysiology. В свободном доступе находится только аннотация.

Сколковский институт науки и технологий сотрудничал с Медицинским центром Wexner при Университете штата Огайо и Российским центром вычислительной науки и техники с интенсивным использованием данных.

Схема предоставлена: Павел Одинев Сколтех
Фото: лаборатория Федорова, штат Огайо.