AI による心房細動の再発検出精度は 90% を達成

• 新しいディープ ラーニング手法により、心房細動再発の可能性のある信号が 90% の精度で検出されます。 
• これを行うために、3 次元心臓 MRI 画像を分析して学習し、人固有のランドマークに基づいた解剖学的表現を生成します。 

CDC の報告書によると、米国では約 610 万人が心房細動 (AFib) に苦しんでいます。心房細動は、心不全、脳卒中、その他の合併症のリスクを高める不規則で、しばしば速い心拍数です。

高血圧と加齢は心房細動症例の最大 22% を占めます。通常、脳卒中のリスクは 5 倍に増加し、脳への血流が血管内層のプラークとして知られる脂肪沈着物によって妨げられた場合に発生する虚血性脳卒中が 20% 発生します。

AFib は生命を脅かすものではありませんが、多くの場合緊急治療が必要となる重篤な状態です。 多くの場合、治療後に再発します。再発の可能性のある兆候を検出するために、ユタ大学の研究者は、心房細動を 90% の精度で検出するディープラーニング手法を設計しました。

仕組みは?

ディープ ニューラル ネットワークは、3 次元の心臓 MRI 画像を使用して、人固有のランドマークに基づく解剖学的表現を生成し、手動の前処理やセグメンテーションなどの面倒なタスクを排除します。

AFiB の再発を予測するために、左心房 (心臓の 4 つの部屋の 1 つ) の形状を分析し、異常を探します。ただし、限られたサンプルではネットワークを効率的にトレーニングすることはできません。したがって、研究者はデータ拡張アプローチを適用して、より統計的に実現可能な情報を生成し、過学習のリスクを軽減しながらネットワークをトレーニングしました。

畳み込みニューラル ネットワークは、TensorFlow 深層学習フレームワークを備えた NVIDIA Tesla GPU を使用して、数百枚の MRI 画像でトレーニングされます。次に、元のデータセットの 75% に対してデータ拡張を実行して、ネットワークの精度を向上させました。

参照:arXiv:1810.00475 |ユタ大学

より具体的には、左心房の構造は、膨大な数の肺静脈の配置が可能なため、形状空間内でクラスタリングを示します。この数値に対処するために、彼らは、主成分分析部分空間のマルチモデル ガウス分布として左心房の形状をモデル化し、3 つの成分が最適なベイズ情報基準を提供しました。

標準形状モデリングと提案手法 |研究者提供

この実験では、合計 207 個のサンプルが使用され、そのうち 175 個がデータ拡張に使用され、残りのサンプルはネットワーク テスト用に (未観測サンプルとして) 取っておかれました。

結果

提案された手法は画像から形状記述子を学習することで機能するため、左心房の自動セグメンテーションに利用され、有望な結果が得られています。

読む:AI は経験豊富な医師よりも正確に皮膚がんを検出できる

この手法を、定期的な人間の介入と対応の最適化を必要とする既存の最先端の形状解析ワークフローと比較した結果、結果が統計的に同等であることがわかりました。ディープ ニューラル ネットワークによって予測される再発の精度は 90% で、誤差は ±0.06% です。