MobileViTv2 with a normalised cosine-similarity classification head and synthetic data balancing for ECG arrhythmia classification on the MIT-BIH Arrhythmia Database
Dit artikel presenteert een op MobileViTv2 gebaseerd hybride netwerk, versterkt met een genormaliseerde cosinus-gelijkenis classificatiekop en WGAN-GP synthetische databalancering, dat een hoge intra-patiënt nauwkeurigheid bereikt op de MIT-BIH Arrhythmia Database, terwijl het de noodzaak voor toekomstige patiënt-onafhankelijke validatie benadrukt.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Het menselijk hart klopt met een ritme dat zowel gestaag als uniek persoonlijk is, een biologische trommelslag waar artsen naar luisteren op zoek naar tekenen van problemen. Wanneer dit ritme wankelt, onregelmatig of chaotisch wordt, signaleert dit een aritmie, een conditie die kan leiden tot een plotselinge hartdood als deze niet vroegtijdig wordt ontdekt. Het primaire hulpmiddel om deze elektrische dans te observeren is het elektrocardiogram, of ECG, een machine die de elektrische signalen van het hart vastlegt als een grillige lijn op een scherm. Decennialang hebben specialisten deze lijnen handmatig geëxamineerd om verschillende soorten onregelmatigheden te identificeren, maar nu draagbare apparaten continu hartmonitoring gebruikelijker maken, is de enorme hoeveelheid data overweldigend geworden. Dit heeft onderzoekers ertoe gebracht de vraag te stellen of kunstmatige intelligentie deze signalen net zo goed, of zelfs beter dan een menselijk oog, kan leren lezen, vooral wanneer de data rommelig is, de zeldzame soorten fouten moeilijk te vinden zijn en de computers die de analyse uitvoeren klein genoeg moeten zijn om op een pols te passen.
In een recente studie zetten onderzoekers zich sch de doelstelling om een systeem te bouwen dat hartslagen kan sorteren in vijf verschillende categorieën van gezondheid en ziekte, gebruikmakend van een database met echte hartopnames die bekend staat als de MIT-BIH Arrhythmia Database. De uitdaging was tweeledig: de data was sterk scheefgetrokken, waarbij sommige soorten hartslagen duizenden keren voorkamen terwijl andere slechts een handvol keren voorkwamen, en de modellen moesten efficiënt genoeg zijn voor mobiele apparaten. Om dit aan te pakken, zetten de onderzoekers de ruwe elektrische signalen eerst om in visuele afbeeldingen die lieten zien hoe de energie van het signaal veranderde over de tijd en over verschillende frequenties. Vervolgens voedden ze deze afbeeldingen in een lichtgewicht computer vision-netwerk dat ontworpen is voor smartphones, maar met een cruciale draai. In plaats van de standaardmanier waarop deze netwerken gewoonlijk een definitieve beslissing nemen, vervingen ze de laatste laag door een methode die de vorm van het hartslagpatroon vergelijkt met de ideale vorm van elke ziek categorie, waarbij de vraag hoe luid of sterk het signaal was, genegeerd wordt. Deze aanpak, gecombineerd met een techniek om kunstmatige voorbeelden van de zeldzame hartslagen te creëren om de trainingsdata te balanceren, stelde het systeem in staat om effectiever te leren van de beperkte informatie die beschikbaar was.
De resultaten lieten zien dat deze nieuwe aanpak zeer goed werkte. Wanneer getest op een grote set echte hartslagen die de computer nog nooit eerder had gezien, identificeerde het systeem het type hartslag in bijna 9ppersent van de gevallen correct. Het presteerde bijzonder goed bij het onderscheiden tussen normale hartslagen en de meest gevaarlijke onregelmatigheden, hoewel het nog steeds enige moeite vond bij het onderscheid tussen twee specifieke soorten zeldzame fouten die erg veel op elkaar lijken. De onderzoekers ontdekten dat hun aangepaste besluitvormingslaag een kleine maar meetbare boost in nauwkeurigheid gaf vergeleken met de standaardmethode, vooral voor die lastige, zeldzame gevallen. De kunstmatige hartslagen die werden gecreëerd om de computer te helpen leren, waren zo vergelijkbaar met de echte dat ze nauw aansloten bij zowel hun timing als hun frequentiepatronen, wat bewees dat de computer uit deze synthetische voorbeelden kon leren zonder erdoor in de war te raken.
De onderzoekers zijn echter voorzichtig in wat zij deze successen wel en niet betekenen. Omdat de computer werd getest op hartslagen van dezelfde mensen wiens data het al had bestudeerd, weerspiegelen de resultaten hoe goed het systeem de unieke hartvorm van een specifiek persoon leert, in plaats van hoe goed het een compleet nieuwe patiënt kan diagnosticeren die het nog nooit is tegengekomen. In de echte wereld heeft ieders hart een iets andere elektrische signatuur, en een systeem dat perfect werkt voor één persoon, kan moeite hebben met een ander. De studie heeft dit "nieuwe patiënt"-scenario niet getest, noch heeft het gemeten hoe lang het gehele proces zou duren op een klein, batterijgestuurd apparaat, aangezien de tijd die nodig was om het signaal in een afbeelding om te zetten niet werd meegenomen in hun snelheidstests. De auteurs wijzen ook op het feit dat de bekwaamheid van het systeem om zijn fouten uit te leggen beperkt was; hoewel ze konden zien op welke delen van de afbeelding de computer zich concentreerde, konden ze die gebieden niet volledig terugmappen naar de specifieke golven op de oorspronkelijke ECG-lijn.
Uiteindelijk demonstreert dit werk dat een voor mobiel geschikte computernetwerk, wanneer gestuurd wordt door een slimmere manier van patronen vergelijken en gevoed wordt met een gebalanceerd dieet van echte en synthetische voorbeelden, een hoge nauwkeurigheid kan bereiken bij het sorteren van hartslagen. De bevindingen suggereren dat de specifieke methode die gebruikt wordt om de definitieve beslissing te nemen, het systeem helpt om zich te concentreren op de vorm van de onregelmatigheid in plaats van alleen op de sterkte van het signaal. Toch blijft de weg naar klinisch gebruik lang. Voordat deze technologie erop vertrouwd kan worden om patiënten in de echte wereld te monitoren, moet bewezen worden dat het werkt op mensen die het nog nooit heeft gezien, getest worden over verschillende databases, en gemeten worden op de daadwerkelijke hardware waarop het zou draaien. Voor nu biedt de studie een veelbelovende stap voorwaarts, die laat zien dat met de juiste instrumenten, kunstmatige intelligentie kan beginnen met het begrijpen van de complexe, ritmische taal van het menselijk hart.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.