Algoritmen matchar mänskliga kardiologer för att upptäcka hjärtattacker

En hjärtinfarkt, eller hjärtinfarkt, uppstår när blodtillförseln till hjärtmuskeln permanent störs av en blockering av någon typ. Behandlingen går ut på att antingen vidga den kränkande artären med en ballong eller stent för att låta blodet flöda igen eller att helt kringgå blockeringen med en koronar bypassoperation.

Hur som helst måste ingreppet komma i tid och en snabb diagnos kan göra stor skillnad. I den ofta kaotiska miljön på en akutmottagning missas dock inte sällan tecknen på en hjärtinfarkt, och konsekvenserna är djupgående.

Så ett automatiserat sätt att noggrant och tillförlitligt upptäcka kontrollsignalerna skulle vara ett viktigt steg framåt. Men trots mycket forskning inom detta område är automatiserade hjärtövervakningssystem betydligt mindre tillförlitliga än utbildade kardiologer.

Idag ser det ut att förändras tack vare arbetet av Nils Strodthoff vid Fraunhofer Heinrich Hertz-institutet i Berlin och Claas Strodthoff vid University Medical Center Schleswig-Holstein i Kiel, båda i Tyskland. De här killarna har utvecklat ett neuralt nätverk som kan upptäcka tecknen på hjärtinfarkt, och de säger att maskinen matchar prestanda hos mänskliga kardiologer för första gången.

Först lite bakgrund. Ett av de bästa sätten att diagnostisera en hjärtinfarkt är att använda en elektrokardiograf för att mäta den elektriska effekten från hjärtat. Ett standard-EKG registrerar den elektriska signalen från 12 olika avledningar som är anslutna till olika delar av patientens kropp.

Dessa signaler avslöjar hjärtats elektriska beteende på olika sätt. Kardiologer har länge vetat att signalerna från vissa av dessa avledningar är mer användbara diagnostiskt än andra när det kommer till hjärtinfarkt.

Men att tolka uppgifterna är svårt. En läkare måste först utarbeta någon sorts basnivåsignal, ignorera eventuellt brus eller korrupta data och sedan isolera individuella hjärtslag. Klinikern letar sedan efter fördefinierade eller automatiskt detekterade tidsintervall och spänningsvärden för varje slag.

Slutligen måste han eller hon identifiera lämpliga egenskaper i hjärtslag och klassificera tillståndet därefter. Klassificeringsprocessen kompliceras ytterligare av närvaron av en signal som kallas en ST-höjd. Patienter med denna signal bör behandlas så snart som möjligt, medan de utan den kräver ytterligare tidskrävande tester.

Inget av dessa steg är lätt. Faktum är att de alla försvåras av oregelbundna eller ovanliga hjärtslag, av buller och av datakorruption, som alla är vanliga i en akutmiljö.

Så kanske är det ingen överraskning att människor i allt detta kaos avsevärt överträffar maskiner.

Men på senare år har neurala nätverk gjort betydande framsteg i mönsterigenkänningsproblem som ansikts- och objektidentifiering. Så det finns ett stort intresse för att tillämpa dessa tekniker på medicinsk data där mönsterigenkänning också är målet.

Strodthoff och Strodthoff har gjort just det med en databas med 148 EKG-poster från patienter med hjärtinfarkt och 52 friska kontroller. De använde en skjutfönsterteknik för att mata data till ett neuralt nätverk. Varje fönster inkluderade minst tre hjärtslag.

Teamet använde 90 procent av data för att träna ett neuralt nätverk för att upptäcka tecknen på en hjärtattack.

Resten av data användes för att testa nätverket, med intressanta resultat. Den föreslagna arkitekturen slår dagens toppmoderna tillvägagångssätt på denna datauppsättning och når en liknande prestationsnivå som mänskliga kardiologer för denna uppgift, säger Strodthoff och Strodthoff.

Dessutom tenderar maskinerna att förlita sig på data från samma ledningar som mänskliga kardiologer har lärt sig att lita på.

Det imponerande resultatet visar potentialen för intelligenta maskiner att dramatiskt förbättra hälsovården. Men det är inte perfekt, förstås.

Ett potentiellt problem är att datamängden som används här är relativt liten. Maskinlärande algoritmer kräver i allmänhet enorma kommenterade datamängder för att lära sig bra. Att skapa större datamängder av hjärtinfarktsinspelningarna kommer att vara tidskrävande och svårt. Men bara med större datamängder kan läkare vara säkra på att algoritmerna kommer att vara korrekta i det stora utbudet av kaotiska miljöer som läkare arbetar i.

Men potentialen är enorm. Maskiner kan lindra en del av medicinens trötthet och komplexitet för mänskliga läkare - och göra det utan att tröttna. Och tillvägagångssättet som utvecklats av Strodthoff och Strodthoff är generiskt tillämpbart på alla tidsserieklassificeringsproblem av rådata från enheter som EKG och EEG, som finns i överflöd inom medicin. Så andra tillämpningar är möjliga

Vilket betyder att det säkert inte kommer att dröja länge innan de flesta av oss diagnostiseras, åtminstone delvis, av maskiner.

Ref: arxiv.org/abs/1806.07385 : Upptäcka och tolka hjärtinfarkter med hjälp av helt konvolutionerande neurala nätverk

Dölj