AIが心房細動再発を90%精度で検知
- 新しい深層学習手法が、心房細動再発の可能性シグナルを90%精度で検知。
- 3D心臓MRI画像を分析・学習し、個人固有のランドマークベース解剖表現を生成。
CDC報告によると、米国で約610万人が心房細動(AFib)に苦しんでいます。これは不規則でしばしば速い心拍数を特徴とし、心不全、脳卒中、その他合併症のリスクを高めます。
高血圧と加齢がAFibケースの最大22%を占めます。通常、脳卒中リスクを5倍に高め、脳への血流が血管内膜の脂肪沈着(プラーク)によって妨げられる虚血性脳卒中の20%を引き起こします。
AFibは命に関わらないものの、多くの場合緊急治療を必要とする深刻な状態です。多くのケースで治療後に再発します。再発の可能性シグナルを検知するため、Utah大学の研究者たちは90%精度でAFibを検知する深層学習手法を設計しました。
仕組み
深層ニューラルネットワークは、3D心臓MRI画像を使用して個人固有のランドマークベース解剖表現を生成し、手動前処理やセグメンテーションといった面倒なタスクを排除します。
AFib再発を予測するため、心臓の4つの部屋の1つである左心房の形状を分析し、不整を探します。しかし、限られたサンプルではネットワークを効率的に訓練できません。そのため、研究者たちはデータ拡張アプローチを適用し、統計的に実現可能な情報をより多く生成し、過学習リスクを減らしながらネットワークを訓練しました。
畳み込みニューラルネットワークは、数百枚のMRI画像で訓練され、NVIDIA Tesla GPUとTensorFlow深層学習フレームワークを使用しました。その後、元データセットの75%にデータ拡張を実施し、ネットワーク精度を向上させました。
参照:arXiv:1810.00475 | University of Utah
より具体的には、左心房の構造は肺静脈の膨大な配置の可能性により形状空間でクラスタリングを示します。この数に対処するため、主成分分析部分空間でのマルチモーダルガウス分布として左心房形状をモデル化し、3成分が最良のベイズ情報基準を提供しました。
標準形状モデリング vs 提案手法 | 研究者提供
この実験では合計207サンプルを使用し、そのうち175をデータ拡張に使用し、残りをネットワークテスト用(未観測サンプル)として確保しました。
結果
提案技術は画像から形状記述子を学習して動作するため、左心房の自動セグメンテーションに活用され、有望な結果を示しています。
関連記事:AIが経験豊富な医師より正確に皮膚がんを検知
この技術を、定期的な人間の介入と対応最適化を要求する既存の最先端形状分析ワークフローと比較したところ、結果は統計的に比較可能でした。深層ニューラルネットワークによる再発予測は、±0.06%の誤差で90%正確です。
産業技術
- 昇圧・降圧トランスの解説:電圧、電流、電力分配
- バッチ処理:定義、メリット、実践例
- 建設に構造用鋼を選ぶ5つの理由
- ミルマンの定理:並列枝路解析の実践ガイド
- レジリエントなサプライチェーンを構築する3つの実証済み戦略
- 工場オペレーションへのIoTデバイスシームレス統合ガイド
- LEDルーレット回路:555タイマー&CD4017カウンター完全ガイド
- 高速デジタルPCBにおけるインピーダンス制御の習得
- 6.6kW電動スピンドルで硬木・軟木・積層板は加工可能?スピンドル選定の判断基準
- フレキシブルPCBの主要メリットをプロジェクトに活かす:選定ガイド
- センターレス研削の極意:精密加工のための8つの核心原則