Přeskočit na obsah

Zlepšení automatické diagnostiky EKG umělou inteligencí pomocí multi‑task učení

Systémy umělé inteligence pro automatické zpracování EKG záznamů by mohly být lepší při využití multi‑task učení, ukazuje práce.

Ing. Jakub Hejč z Mezinárodního centra klinického výzkumu FNUSA (ICRC FNUSA) prezentoval na XXX. výročním sjezdu České kardiologické společnosti mezi sděleními techniků práci svého týmu na modelu se strojovým učením s využitím hlubokých neuronových sítí. Jeho přednáška nesla název Směrem k interpretabilní automatické diagnostice poruch srdečního rytmu pomocí hlubokých neuronálních modelů a multi‑task učení.

Automatická diagnostika EKG umělou inteligencí je rozvíjející se disciplína, která ale stále má své limity. „Za poslední dekádu se roztrhl pytel se systémy umělé inteligence pro zpracování EKG záznamů a automatickou diagnostiku arytmií v EKG záznamech. Výsledky jsou stále smíšené kvůli množství dat. Část problémů je na straně použitých dat a dostupných databází, část na straně samotných algoritmů hlubokého učení,“ uvádí Jakub Hejč.

Výzkumníci se proto snaží využívat větší množství dat a zvýšení interpretability modelu.

Ve své práci využil Hejčův tým dva datasety, první dataset byl vybrán z dat z veřejně dostupné databáze 12svodových EKG záznamů, které jsou popsány expertem. Vybrána byla data od 42 600 pacientů se zaměřením na sinusový rytmus, fibrilaci síní a flutter síní. Druhý dataset vytvořili sami ve spolupráci s Fakultní nemocnicí Brno, jedná se o záznamy tamních pacientů z 12svodového EKG doplněné o pětisvodový intrakardiální elektrogram (EGM). Záznamy z druhého setu nemají anotaci, nejsou popsány lékařem.

Rozšíření o druhý dataset a druhou učicí větev zlepšuje model. Nejedná se už o single‑task úlohu, ale o multi‑task learning. Standardní schéma, které využívá valná většina publikovaných prací v této oblasti, používá pouze jeden dataset a single‑task úlohy. Úkolem druhé větve je provádět regresi proti intrakardiálním záznamům z koronárního sinu.

Byly vytvořeny tři scénáře učení, první kopíroval běžně používaný postup s hlubokou neuronovou sítí s jedním datasetem, druhý scénář používá metodu transfer learning a model se učí nejdříve na druhém datasetu, následně na prvním. Ve scénáři třetím se využívá synchronizované učení, nejdříve se využije prvních 16 záznamů z druhého datasetu, pak 16 z prvního datasetu a následně znovu dalších 16 z druhého, a to opakovaně až do ukončení učení.

Při testování měl první model nejhorší výsledky. „Malého zlepšení jsme dosáhli využitím metody transfer lear­ning, kdy se model nejdřív předučil na datasetu s interkardiálními záznamy a pak se doučoval na klasických povrchových svodech. Zcela nejlepších výsledků bylo dosaženo metodou synchronního učení, kdy se model střídavě učil na obou datasetech. Zlepšení bylo poměrně významné, a to zejména u skupiny síňových flutterů, kde se úspěšnost zvýšila o 15 procentních bodů,“ uvedl Hejč. „Zjistili jsme, že multi‑task systém učení je superiorní ke standardnímu přístupu, který volí většina prací,“ dodal.  

Sdílejte článek

Doporučené