SMĚREM K INTERPRETABILNÍ AUTOMATICKÉ DIAGNOSTICE PORUCH SRDEČNÍHO RYTMU POMOCÍ HLUBOKÝCH NEURONÁLNÍCH MODELŮ A MULTI-TASK UČENÍ.

Hluboké neuronální modely patří mezi nejvíce pokročilé metody pro efektivní automatizaci diagnostických a dalších úkolů v medicíně. Typický hluboký model je černá skříňka s řádově stovkami milionů parametrů, jejíž výstup lze interpretovat buď obtížně nebo vůbec. To snižuje obecnou důvěru v tyto systémy u zdravotnického personálu. Jednou z možností, jak zvýšit interpretovatelnost hlubokého modelu, je rozšíření modelu o novou znalostní bázi pomocí multi-task učení. V této práci se zabýváme tvorbou a implementací takové znalostní báze do hlubokého modelu pro klasifikaci poruch srdečního rytmu. Znalostní báze je založena na informaci o časové aktivaci síní a komor z intrakardiálních záznamů snímaných z katetru v koronárním sinu u pacientů podstupujících radiofrekveční ablaci. Za tímto účelem byl sestaven soubor 326 klinicky popsaných arytmických úseků jak se záznamem 12 svodového elektrokardiogramu, tak intrakardiálního signálu z koronárního sinu. Pro automatickou extrakci užitečné informace z intrakardiálních záznamů byl vytvořen plně konvoluční reziduální neuronální model. Model je schopen s vysokou přesností definovat segmenty síňové a komorové aktivity v intrakardiálních záznamech v průběhu širokého spektra arytmií s celkovým F1 skóre na validační sadě dat 0.875. Architektura dekódující části klasifikačního modelu pro multi-task učení byla realizována jako kombinace lineární plně propojené vrstvy pro řešení klasifikační úlohy (diagnostika poruch srdečního rytmu) a pyramidalní interpolační vrstvy pro řešení regresní úlohy nad informací z intrakardiálních dat. V práci dále diskutujeme problematiku učení hlubokých modelů na malých a statisticky nevývažených datasetech včetně implementace některých možných řešení a posouzení jejich vlivu na proces učení.