怎样用AI解决80%专科医生担忧的心律装置移植手术难题

全世界每年有超过一百万人进行心律装置的移植手术，在移植过程中，医护人员通常是通过一些算法来辅助自己识别设备的X图像，进而确定起搏器或除颤器的制造商和型号。但即使是最有效的算法，识别也不是完美的，而一旦错误就会导致病情延误。

事实上，多达80%的心脏相关专科医生报告说他们“经常”难以识别设备。

研究人员对来自5家生产厂家的45种型号的1676台设备的X光图像进行提取。利用1451幅图像作为训练集，建立了卷积神经网络对图像进行分类。测试集还包含其余的225幅图像，每种型号包括5个样本，并将神经网络识别设备的能力与心脏病专家进行了比较。

结果显示，神经网络对制造商设备的识别准确率为99.6%(95%置信区间：97.5 ~ 100)，对型号的识别准确率为96.4%(95%置信区间：93.1 ~ 98.5)。5名心脏病专家对制造商识别正确率的均值为72.0%(范围为62.2% ~ 88.9%)，无法进行型号识别。可以看出，基于神经网络识别的能力明显优于所有心脏病专家。

数据提取

在本研究中，数据集是选取1998年2月至2018年5月期间在 Imperial College Healthcare NHS Trust医疗保健中心植入的心率仪的图像。

训练神经网络需要足够多的类别样例，每一类至少包括25幅图像，包括便携式和部门AP/PA胸片，不包括侧位胸片。从连续病例患者中提取图像，每个型号最多提取40张图像，以最小化类不平衡。从每张X光图像中，分割出一个比设备稍大的正方形区域，该区域最大限度地提高了网络的信噪比。然后将这些裁剪后的图像调整为224×224像素，并进行归一化，得到0到1之间的像素值。在提取过程中注意，在某些情况下，如果制造商引进一种新型号时，在X光图像上没有检测到变化，这可能只是设备软件上的一个更新，或者是部件外观上几乎相同无法区分。

第一步，是从45类中随机分配5张图片作为“测试集”，这在网络的任何训练阶段都不会用到，在最终验证准确性时才会使用。

剩下的“训练集”用于训练网络，分为两个不同阶段：第一个阶段是决定使用哪个底层网络(包括结构特征，如层的数量和大小)以及训练的快慢(称为 “学习率”)。这些卷积神经网络类似于人类大脑的层次结构组织，解决图像分类问题；第二阶段是调整权重的详细过程，以对起搏器进行分类。这两个阶段都使用了训练集，但方式不同。

在网络训练第一阶段 (如图1所示)，每种神经网络候选模型都从75%的训练集中学习，并正确预测剩余25%的训练集。如此重复4次，这样所有的训练集都轮流扮演了两个角色。这个过程被称为“4次交叉验证”。

（编辑：核心网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!