PROHLÍŽENÍ ABSTRAKTA

AUTOMATICKÁ KLASIFIKACE EKG V POPULAČNÍ STUDII KARDIOVIZE: VYUŽITÍ DEEP LEARNING MODELU RESNET
Tématický okruh: okruh
Typ: Ústní sdělení - lékařské , Číslo v programu: 112

Pešl M.1, Hejč J.2, Kulík T.3, Vičar T.4, Novotná P.4, Ronzhina M.4, Leinveber P.5, Jakubík J.6, Gonzalez-Rivas J.6, Stárek Z.7

1 1. Interní kardioangiologická klinika a Biologie LFMU a ICE, ICRC, Fakultní nemocnice u sv. Anny, Brno, 2 ICE, ICRC, Fakultní nemocnice u sv. Anny, Brno, 3 1. Interní kardioangiologická klinika LFMU a ICE, ICRC, Fakultní nemocnice u sv. Anny, Brno, 4 Ústav biomedicínského inženýrství, Fakulta elektrotechniky a komunikačních technologií, Vysoké učení technické, Brno, 5 1. Interní kardioangiologická klinika LFMU a BME, ICRC, Fakultní nemocnice u sv. Anny, Brno, 6 Kardiovize, Mezinárodní centrum klinického výzkumu ICRC, Fakultní nemocnice u sv. Anny, Brno, 7 1. Interní kardioangiologická klinika a ICE, ICRC, Lékařská fakulta, Masarykova univerzita a Fakultní nemocnice u sv. Anny, Brno


Průřezová studie kardiovaskulárních rizikových faktorů Kardiovize zařadila dosud více než 6 tis. dobrovolníků a automatická klasifikace EKG je u ní i dalších velkých populačních studií nezbytná. Současně se rozšířily možnosti hluboké neuronové sítě (DLN). V této pilotní práci bylo cílem srovnat efektivitu standardní automatické evaluace EKG a DLN modelu ResNet u 397 zdravých dobrovolníků. Anonymizovná podskupina byla automaticky klasifikovana systémem ELI™ 350 ECG Mortara/Veritas. Srovnívací EKG klasifikace proběhla na míru připraveným DLN modelem zaměřeným na detekci arytmií, zejména fibrilaci síní (FS).

K zajištění kvalitní detekce byla pro učení modelu ResNet využita veřejná tréninková databáze kategorizovaných datasetů (43000 různých EKG záznamů, 24 víceparametrických kategorií). Pro zabránění přeučení DLN modelu byly v signálech z této databáze provedeny náhodné morfologické operace v amplitudové a časové ose (posun, roztažení) rozšířené dále o uměle generovaný šum). DLN model na základě těchto dat interpretoval EKG do jedné, či více možných kategorií. Evaluace obou systémů byla provedena proti klinické referenci konsenzu dvou hodnotitelů. V tréninkovém setu dosáhl model F1-score 0.86 a 0.87 pro normální sinusový rytmus a FS. V obou kategoriích se vyskytovaly falešně pozitivní výsledky. Jednou z příčin chybného tréninkového zařazení je suboptimální databázová klasifikace.

Žádné z 397 pilotních EKG nebylo DLN klasifikováno jako FS, oproti tomu Mortara/Veritas vyhodnotila 6 EKG (chybně) jako FS (specificita 0.985). DLN model dosáhl specificity pro FS 1.0 a F1 skóre 0.875 pro long QT syndrom. Pro SR, AF, LQT, KES a SVES dosáhl model F1 skóre 0.874. DLN modely se jeví jako vhodný nástroj pro automatický screening EKG a budou dále využívány v Kardiovizi. Pro ověření generalizačních schopností je však třeba rozsáhlého testování na větších souborech.