摘要：由吴恩达领导的斯坦福大学机器学习小组，研发出一种新的深度学习算法，可以诊断种类型的心律失常。吴恩达表示，机器学习模型可以比专家更较精确的诊断心律失常。这项研究可能是机器学习彻底改变医疗行业的标志之一。
由吴恩达领导的斯坦福大学机器学习小组，研发出一种新的深度学习算法，可以诊断14种类型的心律失常。吴恩达表示，机器学习模型可以比专家更较精确的诊断心律失常。
这项研究可能是机器学习彻底改变医疗行业的标志之一。近年来，研究人员已经表明，机器学习技术可用于从医学图像中发现各种疾病，包括例如乳腺癌，皮肤癌和眼病。
研究人员表示：“心律信号的差异可能非常微妙，但对于患者如何选择检测方式有巨大的影响。“例如，二度房室传导阻滞的两种形式的心律失常，看起来非常相似，但是一种不需要治疗，而另一种则需要立即治疗。
心律诊断
机器小组训练了一种深入学习算法，以识别ECG（心电图）数据中不同类型的不规则心跳。有些不正常现象可能导致严重的健康并发症，包括心源性猝死，但信号难以检测，因此患者经常被要求佩戴ECG传感器数周。
斯坦福大学的研究人员从ECG数据中，抽取识别约30,000个30秒的样本数据
研究人员与iRhythm（一家制造便携式ECG设备的公司）合作，他们从各种心律失常患者中收集了3万个30秒的ECG数据。
为了测试算法的准确性，研究人员给了一组300个未确诊的ECG数据，并由三名心脏病专家组成小组来会诊。使用这些带标注的数据，该算法可以预测这些心脏病专家将如何标记其所呈现的其他ECG的结果，实质上给出诊断。
深度学习将大量数据馈入大型模拟神经网络，并对其参数进行微调，直到其准确识别出有问题的ECG信号。该方法已经被证明能够识别图像和音频中的复杂模式，并且并在大多数情况下胜过心脏病专家。
研究人员认为，这种算法有助于使心脏病学家对于心律失常的诊断和治疗，更容易被无条件问诊心脏病专家的患者带来帮助。吴恩达认为这只是深度学习提高患者健康质量的众多机会之一，能帮助医生节省出时间。
论文详解
研究小组开发出一种可以诊断不规则心律（也称为心律失常）的模型，通过 single-lead ECG信号来诊断心律失常。
超越专家的关键是一个深度卷积网络，可以将一系列ECG样本映射到一系列心律失常数据中，以及比之前同类数据库大两个数量级的新型数据集。
研究小组训练了一个34层卷积神经网络（CNN）来检测任意长度心电图时间序列的心律失常。
网络以原始ECG信号的时间序列作为输入，并输出一系列标签预测。30秒长的ECG信号在200Hz采样，模型每秒输出一次新的预测。我们输入一个33层卷积的结构，然后是完全连接的层和softmax。
为了优化这样一个深层次的模型，我们使用残差连接和批量归一化。深度增加了计算的非线性以及每个分类决策的上下文窗口的大小。
研究小组从29163名患者收集并标记了64121例心电图记录数据。
ECG数据以200Hz的频率进行采样，并从single-lead，无创和连续监测装置采集，称为Zio Patch（iRhythm Technologies），其耐磨时间长达14天。
训练集中的每个ECG记录长30秒，可以包含多个节奏类型。每个记录由临床心电图专家注释：专家突出信号的部分，并将其标记为对应于14个节奏类别之一。
我们从328名独特患者收集了一组336条的记录。对于测试集，每个记录的实地注释由三名董事会认证的心脏病专家委员会监督; 有三个委员会负责测试集的不同分割。心脏病学家将每个个体记录作为一组进行讨论，并达成共识。对于测试集中的每个记录，我们还从不参加该组的心脏病专家中收集6个多带带标记。
最常见的混淆之一是，异位心房节律（EAR）和窦性心律（SINUS）之间。这种心跳节奏的主要区别标准是不规则的P波。特别是当P波具有小幅度或信号中存在噪声时，这可能是微妙的。
类似地，室上性心动过速（SVT）和心房颤动（AFIB）经常与心房扑动（AFL）混淆，因为它们都是心房心律失常，这是可以理解的。室性心律失常（IVR）有时被误认为是心室性心动过速（VT）。
鉴于临床每年记录超过3亿次心电图，心电图的高精度诊断可以节省专家临床医生和心脏病专家的时间，减少误诊次数。此外，我们希望这种技术加上低成本心电图设备，能够成为心律失常诊断的常用工具。
详情：http://t.cn/RKACR55
paper：http://t.cn/RKANXhI
欢迎加入本站公开兴趣群商业智能与数据分析群
兴趣范围包括各种让数据产生价值的办法，实际应用案例分享与讨论，分析工具，ETL工具，数据仓库，数据挖掘工具，报表系统等全方位知识
QQ群：81035754
文章版权归作者所有，未经允许请勿转载,若此文章存在违规行为，您可以联系管理员删除。
转载请注明本文地址：https://www.ucloud.cn/yun/4578.html
摘要：近期，吴恩达团队用深度学习建立了一个项目，利用病人的电子病例，来检测未来个月有高死亡风险的病人。在死亡率预测的报告中，吴恩达团队也运用了成熟的消融技术，重点标注了病人数据中对高死亡率最具预测性的因素。 用过去1年的医疗记录就能预测一个人未来1年中的死亡概率？这听起来像是《黑镜》中才有的可怕黑科技，但是这对于疗养院和临终关怀工作者，意义重大。在美国，超过60%的死亡发生在重症监护病房，多数人在...
摘要：在最近的会议上，吴恩达分享了关于深度学习的一些看法。深度学习较大的优势在于它的规模，从吴恩达总结的下图可以看出当数据量增加时，深度学习模型性能更好。深度学习模型如此强大的另一个原因，是端到端的学习方式。然而，深度学习却使它有了一点变化。 在最近的 NIPS 2016 会议上，吴恩达分享了关于深度学习的一些看法。我们在此做一个整理。 深度学习较大的优势在于它的规模，从吴恩达总结的下图可以看出：...
摘要：今日，在第届神经信息处理系统大会中，百度首席科学家吴恩达教授发表演讲利用深度学习开发人工智能应用的基本要点。为了方便读者学习和收藏，雷锋网特地把吴恩达教授的做为中文版。吴恩达先讲述了常见的深度学习模型，然后再着分析端到端学习的具体应用。 今日，在第 30 届神经信息处理系统大会（NIPS 2016）中，百度首席科学家吴恩达教授发表演讲：《利用深度学习开发人工智能应用的基本要点（Nuts an...
摘要：根据百度的说法，这是全球首次将深度学习领域技术应用在客户端，独创了深度神经网络查杀技术。在过去，吴恩达说，百度用神经网络来帮助侦测广告。 吴恩达拿起他的手机，打开了脸优 app。他现在正位于硅谷公司的研究室。在办公桌边吃饭，谈话内容很自然地也涉及到人工智能。他是百度的首席科学家，同时也是斯坦福大学计算机系的教授。在其他搜索引擎仍在发展时，他就曾帮助谷歌启动了脑计划，现在他在百度从事相似的人工...
阅读 2906·2020-01-08 12:17
阅读 1957·2019-08-30 15:54
阅读 1121·2019-08-30 15:52
阅读 1996·2019-08-29 17:18
阅读 1008·2019-08-29 15:34
阅读 2422·2019-08-27 10:58
阅读 1837·2019-08-26 12:24
阅读 341·2019-08-23 18:23
