Wu Enda, Stanford ML grubunun yeni bir makale yayınlamasına öncülük etti: Aritmi sorununun üstesinden gelmek için derin öğrenme
Li Lin derleyin ve organize edin
Qubit Raporu | Genel Hesap QbitAI
Wu Enda liderliğindeki Stanford ML Group, geçtiğimiz günlerde, insan doktorlarınınkine benzer bir doğrulukla 14 tür aritmi teşhis edebilen yeni bir derin öğrenme algoritması geliştirdi.
Makaleleri Perşembe günü Arxiv'de kardiyolog düzeyinde aritmi tespiti için evrişimli sinir ağlarını kullanan Evrişimli Sinir Ağları ile Kardiyolog Düzeyinde Aritmi Tespiti başlıklı yayınlandı.Yazarlar arasında Pranav Rajpurkar, Awni Hannun, Masoumeh Haghpanahi, Codie Bourn ve Wu Enda.
Aritmi teşhisi
Hastanın aritmi semptomlarından şüpheleniliyorsa, genellikle elektrokardiyogram için hastaneye giderler. Bununla birlikte, hastanede birkaç dakika veya on dakikalık EKG için sorun genellikle bulunmaz, bu sırada doktor hastaya iki hafta boyunca giyilebilir bir EKG monitörü verebilir.
İki hafta içinde, yüzlerce saatlik elektrokardiyogram verisi üretilecek ve doktor, hastanın sorunlu bir aritmi olup olmadığını anlamak için her saniye kontrol edecek.
Sorunlu aritmiyi, EKG'de çok benzer görünen güvenli ve zararsız aritmiden ayırt etmek daha da zordur.
Makalenin baş yazarlarından Stanford Üniversitesi lisansüstü öğrencisi Pranav Rajpurkar, Kalp ritmi sinyalleri arasındaki fark çok ince olabilir. Örneğin, ikinci derece atriyoventriküler blok adı verilen iki tür aritmi vardır. Performans da çok benzer, ancak biri acil tedavi gerektirirken biri gerekmez. "
Enda Wu liderliğindeki Stanford makine öğrenimi ekibi, bunu bir veri bilimi sorunu olarak görüyor.
Derin öğrenme yöntemleri
Stanford makine öğrenimi grubundaki öğrencilerin, elektrokardiyogramdan 14 tip aritmi tanımlamak için derin sinir ağlarını kullanmaları gerekiyor.
iRhythm'in giyilebilir EKG monitörü Zio
Giyilebilir EKG izleme ekipmanı üreticisi iRhythm ile 29.163 hastadan 64.121 EKG verisi toplamak ve bunlara açıklama eklemek, bunları 200 Hz frekansta örneklemek ve sinir ağlarını eğitmek için büyük ölçekli bir eğitim seti ve doğrulama seti oluşturmak için işbirliği yaptılar.
Ardından bir test seti oluşturmak için 328 hastadan 336 EKG verisi topladılar.
Veri setindeki EKG örnekleri profesyonel doktorlar tarafından her 30 saniyede bir işaretlenir. Test setinin veri etiketlemesi, üç kardiyologdan oluşan bir "konsültasyon" yoluyla elde edildi.
EKG'yi tanımlamak için, 33 evrişimli katman, tam bağlı bir katman ve softmax içeren 34 katmanlı bir sinir ağı oluşturdular.Orijinal EKG zaman serileri girdi olarak kullanıldı ve tahmin edilen etiket her saniye çıktı olarak alındı.
Aşağıdaki şekil bu derin sinir ağının yapısını göstermektedir:
sonuç
Son olarak, test setinin elektrokardiyogramından aritmiyi tespit etmek için 6 kardiyolog buldular ve insan tanıma ve algoritma tanıma sonuçlarını standart olarak 3 uzmanın konsültasyonunun sonuçlarıyla karşılaştırdılar.
Algoritmanın doğruluğunun profesyonel olarak eğitilmiş insan kardiyologları ile karşılaştırılabilir olduğunu ve çoğu durumda insanlardan bile daha iyi olduğunu buldular.
Yukarıdaki şekilde bulunan mavi, algoritmanın tanıma performansını temsil eder ve sarı, insan uzmanın tanıma performansını temsil eder; F1 Sırası, algoritma / insan tahmini ile standart sonuç arasındaki çoklu etiketlerin ortalama çakışmasını temsil eder ve Set F1, benzersiz sınıflandırma etiketinin çakışmasını temsil eder.
Benzer tanıma doğruluğu durumunda, bu algoritmanın insanlara göre çok büyük bir avantajı vardır: EKG'yi yüzlerce saat izledikten sonra yorulmaz ve aritmiyi sürekli ve anında teşhis edebilir.
Stanford ML ekibi, uzun vadede, zamanında tıbbi tedavi arayamayan daha fazla kişinin tanı almasını sağlamak için uzman düzeyinde aritmi tanıma algoritmaları kullanmayı umuyor. Ayrıca, giyilebilir cihazların tehlikeli aritmi meydana geldiğinde zamanında çalışabileceğini umuyor. hatırlatmak.
Wu Enda, bunun hasta teşhisinin kalitesini iyileştirmek ve doktorların zamandan tasarruf etmesine yardımcı olmak için derin öğrenme fırsatlarından biri olduğunu söyledi.
İlgili Bağlantılar
Proje Açıklaması:
https://stanfordmlgroup.github.io/projects/ecg/
kağıt:
https://arxiv.org/pdf/1707.01836.pdf
Bitiş
Bir uyarı
Beş grup kübit okuyucu başvuruya açıktır.Yapay zeka ile ilgilenen arkadaşlar, kübit asistanının WeChat qbitbot2'sini ekleyebilir, gruba katılmak için başvurabilir ve yapay zekayı birlikte tartışabilir.
Ayrıca, qubit ustaları tarafından bir araya getirilen otonom sürüş teknolojisi grubu, Yalnızca otonom sürüşle ilgili alanlarda çalışan öğrencileri veya öncü mühendisleri kabul edin . Uygulama yöntemi: qbitbot2'yi arkadaş olarak ekleyin, not " Otopilot "Katılmak için başvurun ~
İşe Alım
Qubit, editörleri, muhabirleri, operasyonları, ürünleri ve diğer pozisyonları işe alıyor ve çalışma yeri Pekin, Zhongguancun'da bulunuyor. İlgili ayrıntılar için lütfen şu yanıtı verin: resmi hesabın diyalog arayüzünde "İşe Alım".
