Прогнозирование факта и степени поражения коронарных артерий при помощи обработки клинико-инструментальных данных искусственным интеллектом |
||
МЕНЮ Главная страница Поиск Регистрация на сайте Помощь проекту Архив новостей ТЕМЫ Новости ИИ Голосовой помощник Разработка ИИГородские сумасшедшие ИИ в медицине ИИ проекты Искусственные нейросети Искусственный интеллект Слежка за людьми Угроза ИИ ИИ теория Внедрение ИИКомпьютерные науки Машинное обуч. (Ошибки) Машинное обучение Машинный перевод Нейронные сети начинающим Психология ИИ Реализация ИИ Реализация нейросетей Создание беспилотных авто Трезво про ИИ Философия ИИ Big data Работа разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика
Генетические алгоритмы Капсульные нейросети Основы нейронных сетей Распознавание лиц Распознавание образов Распознавание речи Творчество ИИ Техническое зрение Чат-боты Авторизация |
2021-12-24 14:54 Цель. Изучить возможность применения нейросетевого анализа для прогнозирования факта и степени поражения коронарного русла. В задачу исследования входило определить работоспособность и точность обученной модели нейронной сети на входных структурированных данных и ЭКГ-записей, с параметрами и расположением отведений отличных от обучающей выборки, а также сравнить эффективность выявления преходящей ишемии миокарда с классическими методами диагностики, такими как суточное мониторирование ЭКГ, тредмил-тест. Материалы и методы. Сто тридцать пациентов, которым была выполнена коронарография в плановом или экстренном порядках и соответствующих критериям включения и исключения. Ключевые критерии включения: пациенты мужского или женского пола в возрасте более или равно 18 лет, выполненная коронарография, снятая электрокардиографическая лента за сутки и/или менее до выполненной коронарографии. Ключевые критерии исключения: нарушения ритма на ЭКГ в виде фибрилляции предсердий, АВ-узловой тахикардии, желудочковой тахикардии в момент записи, ранее проведенное стентирование и/или шунтирование коронарных артерий. Для прогнозирования поражения коронарного русла использовался метод нейросетевого анализа. Машинное обучение проводилось с включением клинических, лабораторных, инструментальных (ЭКГ изображение) признаков (суммарно 23 показателя). Для решения задач классификации использована нейронная сеть, принимающая на вход структурированные данные и изображение, и подающая на выходе мультифакторную характеристику магистральных коронарных артерий, необходимость выполнения реваскуляризации коронарных артерий. Соотношение в примерах обучение/тест составило 100/30. Использовался метод обучения с учителем на имеющихся данных, в которых были известны исходы, а параметры нейронной сети подстраивались так, чтобы минимизировать ошибку методом обратного распространения. Тестовая выборка сформирована на пациентах, которым была снята ЭКГ лента на аппаратах с параметрами и расположением отведений отличных от примеров в обучающей выборке. Оценка точности прогнозирования поражения магистральных коронарных артерий проведена на данных КТ-коронарографии, сравнение эффективности выявления преходящей ишемии миокарда выполнено на основе расчета прогноза необходимости выполнения реваскуляризации коронарных артерий методом нейросетевого анализа и результатами полученными при выполнении суточного мониторирования ЭКГ и тредмил-теста. Результаты. На тестовой выборке, состоящей из 30 пациентов результат AUC score составил 0.87. Точность (accuracy) достигала 96%, «прецизионная» точность (precision) – 76%, полнота (recall) - 71%, f1 score – 74,1%. Проведена оценка точности выявления преходящей ишемии миокарда методом нейросетевого анализа: accuracy 93%, precision 60%, recall 100%, AUC score 96%, f1 score 75%, суточное мониторированием ЭКГ: accuracy 87%, precision 33%, recall 33%, AUC score 63%, f1 score 33%, тредмил-тест: accuracy 70%, precision 12%, recall 33%, AUC score 54%, f1 score 18%. Заключение. Нейросетевой анализ подготовленных клинических, лабораторных и инструментальных данных позволяет настроить параметры сети для последующего прогнозирования поражения коронарных артерий. Полученные результаты в виде оценки AUC score позволяют говорить о работоспособности метода в диагностике патологии коронарного русла при использовании изображений снятой ЭКГ ленты, с параметрами и расположением отведений отличных от исходной обучающей выборки. Эффективность выявления преходящей ишемии миокарда на тестовой выборке выше у обученной нейронной сети по сравнению с классическими методами диагностики, такими как суточное мониторирование ЭКГ, тредмил-тест. Источник: medicine-journal.spbu.ru Комментарии: |
|