Използването на изкуствен интелект при откриване на предсърдно мъждене; iTransfer
Публикувани от: Адриан Ифтен
Публикувано на: 20 декември 2019 г.
Какво е предсърдно мъждене? Предсърдното мъждене е нарушение на сърдечния ритъм (аритмия), което кара сърцето да бие нередовно.
Сърцето е разделено на 4 камери (2 предсърдия и 2 вентрикула) и две от тях се образуват дясно сърце, който изпомпва кръв към белите дробове. Изпомпването се координира от мрежа от електрически връзки, инициирани от пейсмейкър (наречен синусов възел), което кара сърцето да се свива редовно. При предсърдно мъждене пейсмейкърът вече не функционира правилно, произвеждайки нередовни електрически сигнали. Това води до ситуация, при която предсърдията не се свиват правилно, кръвният поток се забавя или застоява, а вентрикулите се свиват нередовно (виж фигура 1).
Както може да се види на Фигура 2, ЕКГ показва разликата между нормалното сърдечно поведение (вляво) и нередовното сърдечно поведение при предсърдно мъждене (вдясно).
Предсърдно мъждене (AF) е най-честото нарушение на сърдечния ритъм, което засяга милиони хора. Броят на пациентите продължава да расте от година на година както в Европа, така и в Америка (Camm et al., 2010).
Причините за AF са многобройни (Работна група FA, 1993):
- Най-чести: исхемична болест на сърцето, хипертония, сърдечна недостатъчност, валвулопатии.
- Други по-редки причини: вродени заболявания, дисфункция на щитовидната жлеза, затлъстяване, сънна апнея, хронични белодробни заболявания, диабет, бъбречна недостатъчност.
- AF може да възникне и след операция на гръдния кош и особено на сърцето.
За известно време AF се нарича пароксизмално мъждене и хронично предсърдно мъждене. Тогава бяха препоръчани други класификации и наскоро Европейското кардиологично общество излезе със следното предложение за класификация (Camm et al., 2010):
- Първата диагноза или първо откритие, независимо от продължителността или наличието/липсата на симптоми.
- Пароксизмално предсърдно мъждене, което приключва спонтанно за по-малко от 7 дни, обикновено 24 часа.
- Постоянно предсърдно мъждене, което не приключва за 7 дни. Изисква фармакологично или електрическо лечение.
- Постоянно предсърдно мъждене, продължава повече от 1 година и конверсионното лечение не е имало ефект или не е било опитвано.
Разпространението на предсърдно мъждене с възрастта може да се види на Фигура 3, според проучването Антикоагулация и рискови фактори при изследване на предсърдно мъждене (Schmid et al., 2011). Цифрите представят броя на мъжете и жените с предсърдно мъждене във всяка възрастова група. Вижда се, че мъжете са по-склонни към това заболяване в сравнение с жените. Също така с увеличаване на възрастта шансовете за предсърдно мъждене се увеличават както при мъжете, така и при жените.
Електрокардиограма
Миокардът генерира електрическо поле, което се разпространява до повърхността на кожата. От тук електрическото поле може да бъде записано чрез поставяне на електроди в определени точки от човешкото тяло. Графиката, получена от този запис, се нарича електрокардиограма (ЕКГ). Електрокардиограмата представлява графичен запис на вариациите в електрическия потенциал, които възникват по време на сърдечната дейност.
Електрокардиограмата предоставя информация за:
- Сърдечен ритъм;
- Произходът на импулса и неговото разпространение (проводимост) през масата на миокарда;
- Размерът на сърдечните кухини;
- Положението на сърцето;
- Разширение и локализация на остър миокарден инфаркт (ОМИ);
- Ефектите от промяната на концентрацията на електролити върху свойствата на миокарда;
- Ефектите на някои лекарства върху дейността на сърцето;
- Работа на изкуствен пейсмейкър, имплантиран на пациент;
- Представлява "златния стандарт" за диагностика на ритъмни и шофьорски разстройства.
ЕКГ пътеката се състои от вълни, сегменти и интервали (вж. Фигура 4):
- P вълна;
- сегмент Pq;
- комплексът qRs;
- сегментът S-T;
- Т вълна;
- qT интервал; +/- вълна U.
През последните години изкуственият интелект все по-често се използва в много области, включително в медицинската област. Свидетели сме на истинска революция в медицината и машинното обучение, невронните мрежи, IoT (Intenet of Things), нанотехнологиите идват да помагат от една страна на лекарите (при по-аргументирано вземане на решение за диагноза или лечение) и болничните сестри (в наблюдението по-лесно пациенти), а от друга страна пациенти (които се възползват от персонализирано лечение, приспособено към тях и заболяването, което имат) и техните семейства (които могат да помогнат в процесите на лечение и възстановяване на пациенти) (Burlacu et al., 2019 ).
Генетични алгоритми
Генетичният алгоритъм (GA), използван в статията (Arotăriței and Rotariu, 2015), използва фитнес функция, която има уникална цел: да получи по-високи стойности за чувствителност и чувствителност. Методът, предложен от авторите, е тестван с помощта на базата данни за предсърдно мъждене Physionet MIT-BIH, а експерименталните резултати разкриват добра точност на откриване на AF по отношение на чувствителността и специфичността (над 90%). Параметрите, използвани от генетичния алгоритъм в статията (Arotăriței and Rotariu, 2015), са:
- L - дължината на прозореца,
- Pth1 - прагът, от който се счита, че сегментът представлява AF (брой сегменти AF/брой на общите сегменти),
- RMSt - RMSSD праг (среден квадрат на последователните разлики),
- TPRt - прагът на точката на завой,
- SEt - прагът на ентропията на Шанън,
- TKt - енергиен праг на Тиджър-Кайзер.
В (Arotăriței and Rotariu, 2015) хромозомата е инициализирана с цяло число между 32 и 480, а целевата функция има за цел да максимизира две стойности Se (Shanon Entropy) и Sp (дължината на прозореца, в който имаме AF). Алгоритъмът започва с популация от 50 индивида и след 40 повторения спира да предоставя решението. Мултиобективната функция в този случай е свеждане до минимум на функциите 1-Se и 1-Sp. Получените резултати са Se = 0.9017 и Sp = 0.9012, те са сравними с подобни решения, но идва с предимството, че използва по-малък брой файлове. На фигура 5 можем да видим как е построена хромозома в статията (Weng et al., 2017), въз основа на възрастта на пациентите.
Методи за класифициране на AF
Сред методите в областта на изкуствения интелект, използвани за класификация на AF, споменаваме класификациите, използващи Naive Bayesian, SVM, kNN, ANN и LDA (Lim et al., 2016), които ще разгледаме подробно по-долу. Класификацията на AF се извършва с помощта на морфология на P вълната (Sahoo et al., 2011):
- Амплитудата на вълната P,
- Област под вълна P,
- Дължина на вълната P,
- Разстоянието във времето от началото на P вълната до нейния пик,
- Разстоянието във времето между пика P и пика R.
Наивен байесов - В (Pourbabaee and Lucas, 2008) авторите предлагат три различни класификатора за идентифициране на AFIB, които се основават на kNN (K най-близък съсед), ANN (Изкуствена невронна мрежа) и наивен байесов. Те показаха, че сред класификаторите за AF, kNN предлага най-висока точност на откриване на AF с точност от 93,75% в сравнение с ANN и Naive Bayesian, които имат точност съответно от 87,50% и 75,00. %. В статията (Joy et al., 2013) авторите предлагат комбиниран модел между Naive Bayesian и Gaussian (GMM) за класификация на AF. Те показаха, че GMM предлага малко по-висока производителност в чувствителност, специфичност и точност в сравнение с наивния байесов, получавайки точност от 99,00% и по-висока.
K най-близък съсед (kNN) - Няколко изследователи са показали чрез експерименти, че най-простият класификатор, kNN, е в състояние да класифицира AF с по-добра точност в сравнение с други класификатори със същия набор от характеристики (Padmavathi и Ramakrishna, 2015). Те показаха, че точността на SVM и kNN е съответно 92,30% и 100%, със същите характеристики, извлечени по метода на Burg. Подобни резултати са представени в докладите (Pourbabaee and Lucas, 2008), (Prasad et al., 2013) и (Ros et al., 2004). Основните стъпки в kNN могат да се видят на фигура 6 по-долу.
Изкуствена невронна мрежа (ANN) - Подобно на други класификатори, ANN има както фаза на обучение, така и фаза на тестване. Във фазата на задвижване невронната мрежа се задвижва с помощта на алгоритъм за обратно разпространение. В резултат на това за всеки възел в мрежата на всеки слой се изчисляват и получават най-добрите тегла (Rumelhart et al., 1986), (Bre et al., 2018). Тези тегла се избират според поведението на най-добрата мрежа и след това се използват за класификация във фазата на тестване. Между 1994 и 2013 г. ANN се използва широко за алгоритъма за откриване на AF. Най-важните резултати са получени през 1994 г. от (Yang et al., 1994), които получават точност от около 92%, а по-късно през 2007-2008 г. (Chesnokov et al., 2007) и (Kikillus et al., 2008), които са получили точност от около 93%, а през 2018 г. (Bre et al., 2018) са получили точност от около 99%. От 2019 г. конволюционните невронни мрежи започнаха да се използват (Attia et al., 2019), чиято точност започва да се подобрява (99%).
Поддържаща векторна машина (SVM) - Повечето алгоритми за откриване на AF с SVM класификатор са в състояние да осигурят добра производителност. В (Asgari et al., 2015) авторите представят SVM алгоритъм, който е в състояние да открие AF с 97% точност, а в (Jeon et al., 2014) представеното SVM решение има точност от около 95%. В (Bruser et al., 2011) и (Padmavathi and Ramakrishna, 2015) авторите са използвали метода Burg за извличане на характеристиките и са осигурили добро представяне от над 95%. Вижте архитектурата на SVM-базирана система на Фигура 8 по-долу.
Анализ на линейна дискриминация (LDA) - В статията (Lee et al., 2006) AF е класифициран от LDA въз основа на F вълна и RR интервал с клинична оценка, като се получава точност от над 92%. Докато авторите на (Chong et al., 2013) използват LDA за класификация на AF и внедряват алгоритъма за смартфон с точност от над 96%. На Фигура 9 можем да видим преди и след класифицирането с LDA.
Съвременни устройства за идентификация на AF
Умни телефони - Авторите на статията (Krivoshei et al., 2016) представят набор от експерименти, които са извършили и са използвали iPhone 4S. Телефонът беше позициониран с обектива на камерата и LED светлина на върха на показалеца (вижте фигура 10 по-долу), за да вземе сигнала. Те използваха няколко статистически метода за идентифициране на пациенти с ПМ. Експериментите, проведени върху 80 пациенти, показват точност от над 95% от предложените методи. През 2017 г. (Lahdenoja et al., 2017) използвам акселерометъра и жироскопа на смартфон с Google Android, за да идентифицирам AF и да получа точност от над 97%.
Видеокамери - В (Corino et al., 2017) авторите са използвали професионална видеокамера (с резолюция 659 x 494 пиксела), за да събират 3-минутни видеоклипове от 24 пациенти. Камерата е била разположена на 1,5 м от пациента и е заснела видеото по време на експериментите. След това видеоклиповете бяха обработени, като бяха изпълнени следните 3 стъпки: (1) идентифициране на лицето, (2) преместване на пациента и (3) извличане на сигнала. Получените резултати са с точност около 0,96%. В статията (Hewitt, 2013) авторът представя набор от експерименти, проведени в MIT, които чрез усилване на движението на главата достигат до сърдечната честота и след това идентифицират ненормално поведение, както в случая с AF (виж Фигура 11 по-долу).
Този раздел има за цел да очертае потенциална рамка за сътрудничество между академичните среди и индустрията. По този начин в този раздел ще намерите съобщения за съществуващо финансиране или проекти, предложени и изпълнени на национално/международно ниво в областите, свързани с трансфера на идентифицирани знания.
Умен часовник - Умните часовници започват да имат все повече сензори, които ни позволяват да наблюдаваме здравето на тези, които ги носят. В (Grieten et al., 2017) с помощта на интелигентен часовник (E4, Empatica), който измерва фотоплетизмографския сигнал (PPG) на китката и iPhone 5S, който измерва същия сигнал на показалеца, те проведоха експерименти с вижте тяхната точност в сравнение с имплантирано устройство (вижте фигура 12).
Понастоящем има редица устройства на сайтовете на Amazon, които ви позволяват да наблюдавате сърдечната честота и да сигнализирате AF (вижте фигура 13 по-долу). Те имат за цел да помогнат на пациентите, които вече могат да наблюдават сърдечната си дейност, без да се налага да ходят всеки път при специалист. Разликата между тях е цената и точността на данните, взети от пациента.
Предсърдното мъждене е нарушение на сърдечния ритъм, което кара сърцето да бие нередовно. Пациентите с това разстройство имат забавен кръвоток и вентрикулите им се свиват нередовно. С помощта на ЕКГ тези нарушения могат да бъдат диагностицирани и алгоритмите за изкуствен интелект могат да дешифрират съдържанието им и да правят класификации с много добра точност. Подходите през последните години се основават на генетични алгоритми и методи за класификация като наивен байесов, SVM, kNN, ANN и LDA.
Съвременните устройства, появили се през последните години, позволяват събирането на данни от пациенти и могат да предупреждават и сигнализират за проблемни ситуации. Смартфоните, видеокамерите, интелигентните часовници и специалните устройства на Amazon могат да направят ЕКГ с доста добра точност и да сигнализират за аномалии, които трябва да бъдат анализирани по-подробно от специалист.
Предлаганите методи и устройства изглежда са в помощ на специалиста, като съобщават за необичайни ситуации, които се случват при неговите пациенти и по този начин насочват вниманието му към критични ситуации, които изискват незабавна намеса. Те също така помагат на пациенти, които вече не трябва да идват в болницата всеки път, за да им се направят тестовете.