POKROČILÉ STRATEGIE PRO EXTRAKCI MIKRO A MAKRO ELEKTROKARDIOGRAFICKÝCH PŘÍZNAKŮ POMOCÍ UMĚLÉ INTELIGENCE

Časové překrytí elektrických zdrojů, morfologické změny pod úrovní šumu či komplexy s nízkou dynamikou patří mezi limitace při interpretaci patologických změn v elektrokardiografických (EKG) záznamech. Systémy umělé inteligence vykazují schopnost extrahovat relevantní reprezentaci a nové prediktory i v případech pro lidské oko obtížně zachytitelných změn. Úspěšnost je vázána na vhodně stanovené optimalizační cíle, včetně množství klinického kontextu, který jsme schopni modelům nabídnout.

Studie je zaměřena na extrakci EKG příznaků síňové aktivity. Zařazeno bylo 3265 12-svodových EKG záznamů snímaných v průběhu elektrofyziologického vyšetření u 708 pacientů (41.7% žen, medián 36.6 let). Datová sada zahrnovala sinusový rytmus (1771), běhy supraventrikulárních tachykardií (1036), fibrilaci síní (458) a řízenou stimulací síní či komor (770). Časové označení síňové aktivace bylo získáno analýzou intrakardiálních elektrogramů. Porovnány byly tři strategie učení pro architekturu U-Net: a) sémantická segmentace s využitím křížové entropie; b) segmentace s využitím pyramidálních příznakových map; c) učení pomocí časově lokalizované kontrastní křížové entropie.

Na validační sadě dat bylo dosaženo nejvyšších hodnot senzitivity (Se) a pozitivní prediktivní hodnoty (P+) v případě modelu trénovaného pomocí kontrastní křížové entropie (c) s hodnotami 0.72 a 0.82. Podprůměrných výsledků dosáhly obě konvenčně používané techniky založené na (a) křížové entropii (Se 0.60; P+ 0.62), a (b) pyramidálních příznakových mapách (Se 0.63; P+ 0.69).

Kontrastní učení umožňuje modelům extrahovat lokální mikro a makro příznaky, které nabývají vyšší relevance ve vztahu k navazujícím úlohám automatické analýzy. Zabudovaná vektorová reprezentace korelující s přítomností a typem síňové aktivity současně může přispět k lepší interpretace vnitřních stavů hlubokých modelů.