心电图正常也可以预测,人工智能

作者:澳门新葡亰登录入口    发布时间:2020-01-27 12:21    浏览:75 次

[返回]

作者:刘霞 来源:科技日报 发布时间:2019/11/13 9:41:30 选择字号:小 中 大 通过分析心脏测试结果 AI可预测人一年内死亡风险

据外媒报道,发表在英国《新科学家》杂志上的一项新研究称,人工智能可通过测试查看人类心脏测试结果,预测其一年之内死亡风险。

图片 1

科技日报北京11月12日电 据英国《新科学家》杂志网站11日报道,美国科学家的一项新研究称,人工智能可以通过查看某人的心脏测试结果,预测其一年之内死亡的风险即便医生认为他们正常。但AI如何拥有这项特异功能仍是未解之谜。

在此研究中,医疗保健服务提供商盖辛格公司的布兰登·佛恩沃尔特及同事让AI检查了约40万人的177万例心电图,以预测未来一年内谁的死亡风险更高。

已经发现人工智能模型用于鉴别患有间歇性心房颤动的患者,即使在正常节律期间使用快速且非侵入性的10秒测试进行,与目前可能需要数周至数年的测试相比。虽然早期并且在实施前需要进一步研究,但这些发现可以帮助医生调查不明原因的中风或心力衰竭,从而实现适当的治疗。

在此研究中,医疗保健服务提供商盖辛格公司的布兰登佛恩沃尔特及同事让AI检查了约40万人的177万例心电图,以预测未来一年内谁的死亡风险更高。

因此,研究团队训练了两种版本的AI:一种仅提供原始心电图数据,其可随时间测量出电压;另一种增加了年龄性别数据。

研究人员已经培训了一种人工智能模型,用于检测正常节律患者的10秒心电图中心房颤动的特征。该研究涉及近181,000名患者并发表在“柳叶刀”杂志上,是第一个使用深度学习来识别可能未被发现的心房颤动的患者,总体准确率为83%。该技术在ECG中发现可能对人眼不可见的信号,但包含有关心房纤颤存在的重要信息。

为了做到这一点,该团队训练了两种版本的AI:一种AI仅被喂食原始ECG数据,其可随时间测量出电压;另一种AI则被喂食了ECG以及患者的年龄和性别数据。

结果表明,AI的风险评分高于医生目前使用的模型,前者为0.85分(满分为1分,0.5分表示两种AI之间没有区别),后者介于0.65-0.8之间。

据估计,美国心房颤动影响270-610万人,并且与卒中,心力衰竭和死亡风险增加有关。由于患者的心脏可以进出这种异常节律,因此难以在单个心电图上检测到,因此心房颤动常常未被诊断。

研究人员使用名为AUC的指标来衡量这两种AI的性能,该指标可以描述模型各方面的表现,区别一年内可能死亡患者和幸存患者。

研究员称即使心脏病专家认为心电图正常的人,Al也能准确预测其死亡风险。

美国梅奥诊所心血管医学系主任Paul Friedman博士说:“将ECG模型应用于心电图可以检测心房纤颤,即使心电图记录时不存在也是如此。就像看着心电图一样。海洋现在,能够分辨出昨天有大浪。“

佛恩沃尔特说,结果表明,AI的得分始终高于0.85分;而医生目前使用的风险评分模型的AUC的得分介于0.650.8之间。

这一发现表明,该模型可能看到了人类看不到或忽略并认为正常的东西。因此,AI有可能帮我们厘清几十年来我们一直误解的东西。

他指出:“目前,人工智能已经在需要临床调查的人中使用心电图进行了培训,但不是原因不明的卒中患者,也不是整体人群,因此我们还不确定它在诊断这些人群方面的表现如何。通过非侵入性和广泛可用的测试快速而廉价地进行测试的能力可能有一天有助于识别未确诊的心房颤动并指导重要治疗,预防中风和其他严重疾病。

为进行比较,研究人员还基于医生测量的ECG特征创建了一种算法,但佛恩沃尔特说:无论如何,基于电压的模型的表现总比根据我们从心电图测量得到数据而创建的模型要好。

在不明原因的中风后,准确检测心房颤动非常重要,以便对患者进行抗凝治疗以降低中风复发的风险,而其他患者(可能因此治疗而受伤)则不然。目前,在这种情况下的检测需要数周至数年的监测,有时需要植入装置,可能使患者面临复发性卒中的风险,因为目前的方法并不总能准确地检测到心房颤动,或者需要花费太长时间。心房颤动的心脏发生结构变化,例如腔室扩大。在诸如超声心动图之类的标准成像技术可见这些变化之前,心房颤动可能存在心脏纤维化。另外,心房颤动的存在可能暂时改变心肌的电特性,即使它已经结束。

而且,即使心脏病专家认为心电图正常的人,AI也能准确预测其死亡风险。3名心脏病专家分别检查了表现正常的心电图,但无法找出AI检测到的风险模式。

研究人员着手训练一种神经网络 - 一类深度学习AI-识别标准心电图中的微妙差异,这些差异被认为是由于这些变化,尽管神经网络是“黑匣子”以及驱动他们的特定发现观察结果尚不清楚。作者使用了从1993年12月至2017年7月期间从近181,000名患者(约650,000次ECG扫描)获得的心律ECG,将数据分为心房颤动阳性或阴性患者。

佛恩沃尔特说:这一发现表明,该模型可能看到了人类看不到的东西,或者至少是我们忽略并认为正常的东西。因此,AI有可能帮我们厘清几十年来我们一直误解的东西。

心电图数据分为三组:训练,内部验证和测试数据集,培训组为70%,验证和优化为10%,测试组为20%(训练数据集中126,526名患者为454,789个心电图,64,340个心电图)来自验证数据集中的18,116名患者和来自测试数据集中的36,280名患者的130,802名ECG。

研究人员将在11月16日于达拉斯举办的美国心脏协会科学会议上宣布这项研究。

AI在识别心房颤动的存在方面表现良好:对每位患者的第一次心电图输出进行测试,准确度为79%,当同一患者使用多个心电图时,准确度提高到83% 。需要进一步研究以确认特定人群的表现,例如原因不明的卒中患者(未确定来源的栓塞性卒中

特别声明:本文转载仅仅是出于传播信息的需要,并不意味着代表本网站观点或证实其内容的真实性;如其他媒体、网站或个人从本网站转载使用,须保留本网站注明的“来源”,并自负版权等法律责任;作者如果不希望被转载或者联系转载稿费等事宜,请与我们接洽。

  • ESUS)或心力衰竭。

该研究的作者还推测,有一天可能会使用这项技术作为医生手术中的护理点诊断测试,以筛查高危人群。筛查患有高血压,糖尿病或年龄超过65岁的房颤患者可以帮助避免疾病,但是,目前的检测方法成本高,并且确定的患者很少。此外,该筛查目前需要佩戴大而不舒服的心脏监测器数天或数周。来自美国梅奥诊所的研究联合研究员姚晓曦博士说:“我们的算法有可能用于低成本,广泛可用的技术,包括智能手机,然而,这需要在广泛应用之前进行更多研究。 “。

作者在他们的工作到达诊所之前注意到了一些限制和进一步的研究。与普通人群相比,所研究的人群可能具有更高的心房颤动患病率。因此,AI已被训练以回顾性地对临床指示的ECG进行分类,而不是用于健康患者或具有不明原因中风的患者的预测,并且在广泛应用于筛选更广泛的健康人群之前可能需要校准。

如果患者没有经过验证的诊断,患者被认为是心房颤动阴性,但有些患者可能未被诊断并且被错误标记,因此AI可能已经确定了以前的检测结果。另一方面,AI确定的一些假阳性患者有心房颤动病史(尽管被人类归类为阴性),实际上可能患有未确诊的心房颤动。由于AI仅与其训练的数据一样好,因此当将测试应用于其他群体(例如没有指示ECG的个体)时,解释中可能存在错误。阿德莱德大学和澳大利亚阿德莱德皇家阿德莱德医院的Jeroen Hendriks博士在一篇相关评论中说:“总之,Attia及其同事们对他们的创新方法以及AI的全面开发和本地验证表示祝贺。启用心电图。鉴于AI算法最近达到了心脏病专家的诊断性能水平,这种AI-ECG解释在创建一种算法中是开创性的,以揭示显示窦性心律的心电图中心房纤颤的可能性。#清风计划#

搜索