Аннотация
ВВЕДЕНИЕ 3
1. Телемедицина и обзор подходов автоматизированного анализа ЭКГ 5
1.1 Регулирование телемедицины в России 5
1.2 ЭКГ Мониторирование 7
1.3 Обзор моделей для автоматизированного анализа ЭКГ сигналов 9
1.4 Нейронные сети 14
1.4.1 Структур а сети 14
1.4.2 Типы нейронных сетей 16
1.4.3 Обучение нейронной сети 18
1.4.4 Сверточные нейронные сети 19
1.4.5 Рекуррентные нейронные сети 21
2 Разработка нейронной архитектуры 22
2.1 Набор данных Physionet PTB-XL 22
2.2 Архитектура разработанной сверточной нейронной сети 25
2.3 Обучение предложенной модели 31
ЗАКЛЮЧЕНИЕ 35
СПИСОК ЛИТЕРАТУРЫ 37
ПРИЛОЖЕНИЕ А 40
Исследование посвящено разработке алгоритмов машинного обучения в задаче анализа сигналов ЭКГ. В настоящее время рынок телемедицинских технологий стремительно растет. Электрокардиография является наиболее перспективным методом, который может быть использован в телемедицине для диагностики сердечно-сосудистой системы. Телемедицина - это отдельный вид медицинской деятельности, использование
телекоммуникационных и компьютерных технологий для распространения необходимой информации в случаях диагностики, лечения и профилактики заболеваний, а также исследования, оценка и наблюдение за пациентами в исследованиях общественного здравоохранения. Проблема в этой области заключается в том, что значительная часть телемедицинских и персонализированных устройств диагностики сердечно-сосудистых заболеваний имеет технические характеристики, не позволяющие определить отклонения от нормы, на основании которых врач вправе давать рекомендации. Другими словами, в настоящее время в телемедицине используются устройства, которые часто не имеют медицинской сертификации. Широкое использование телемедицинских устройств обусловлено простотой и удобством их использования. Как это ни парадоксально, но характеристики эргономики и простоты использования значимы для людей с сердечно-сосудистыми заболеваниями. Это связано с тем, что человеку сложно справиться с многоканальным прибором, имеющим специальную схему установки датчиков, и требующим особые манипуляции с ними. Таким образом, несмотря на наличие сертифицированных электрокардиографов для телемедицины, они не находят своего применения и не позволяют в полной мере использовать возможности современной телемедицины.
Портативные ЭКГ-аппараты отличаются от медицинских кардиографов более высокой стоимостью, и низким качеством регистрации сигнала. Плохое качество записи сигнала ЭКГ с помощью таких приборов не позволяет проводить медицинскую диагностику. Решением этой проблемы является разработка алгоритма обработки сигналов ЭКГ. Так, использование нейронных алгоритмов является очень перспективным подходом в контексте не полной замены врача, а построения системы поддержки принятия решений специалистами, интерпретирующими результаты суточного анализа ЭКГ. Эти алгоритмы позволяют провести предварительный медицинский анализ записанных сигналов без привлечения кардиолога. Так, конечная цель данной работы — разработка и реализация системы поддержки принятия медицинских решений.
В работе был использован обзор научных работ по теме исследования. Представлены результаты разработки архитектуры нейронной сети для анализа ЭКГ-сигналов, собранных приборами персонализированной медицины и набора данных Physionet PTB-XL. Разработаны и реализованы алгоритмы анализа сигналов для 12 и 2 отведений. Проведены эксперименты по выявлению патологий, а также сравнительный анализ диагностических возможностей алгоритмов для 12 и 2 отведений.
Несовершенное качество прогнозирования диагностических классов предлагаемых моделей не позволяет, в полной мере, использовать их для автоматической диагностики. Данные модели, с точки зрения правовой науки, не могут полноценно заменить квалифицированных специалистов. Однако с целью снятия этических и правовых соображений, решенную задачу классификации можно рассматривать как промежуточный шаг в построении системы поддержки принятия решений врачами, интерпретирующими результаты мониторирования ЭКГ. Поскольку архитектуры, предложенные в этой статье, основаны на свертках, многие методы (например, GradCAM) могут быть использованы для выявления признаков и областей, которые в значительной степени повлияли на предсказание модели, с последующим привлечением кардиолога в целях поиска возможных проблем. Такие проблемы, могут быть связаны, например, с явлением, когда модели получают верный ответ с помощью неверных в общем случае рассуждений, которые хорошо работают только для обучающего распределения данных. Поскольку обучающая и тестовая выборка обычно берутся из одного распределения, то такие модели могут давать хорошую точность и при тестировании. Такие проблемы называются «shortcut learning». Также, после интерпретации рассуждений модели кардиологом, возможна последующая конфигурация модели, или же набора данных. Так, например, можно провести аугментацию проблемного класса для повышения его вариативности, что положительно повлияет на предсказания модели для этого класса, а также поможет избавиться от неверных рассуждений модели.
Работа по улучшению качества моделей будет продолжена. Планируется рассмотреть возможность использования трансформеров и их усовершенствованных версий. Также возможно использование байесовских нейронных сетей. Моделируя ансамбль из бесконечного числа нейронных сетей, байесовские нейронные сети могут измерять их уверенность в предсказанном диагнозе, что является ценным активом для систем поддержки принятия решений. Также, возможно использование рекуррентных архитектур, в частности, планируется рассмотреть архитектуру LSTM (долгая краткосрочная память).
