吳恩達帶斯坦福ML組發了篇新論文：深度學習識別14類心律不齊準確率超人類專家

李林 編譯整理量子位 報道 | 公眾號 QbitAI

吳恩達帶領的斯坦福機器學習組(Stanford ML Group)最近開發了一種深度學習新演算法，能診斷14類心律不齊，準確率可以媲美人類醫生。

他們的論文周四公布在了Arxiv上，題為Cardiologist-Level Arrhythmia Detection with Convolutional Neural Networks，用卷積神經網路進行心臟病專家級的心律不齊檢測，作者包括Pranav Rajpurkar、Awni Hannun、Masoumeh Haghpanahi、Codie Bourn和吳恩達。

吳恩達帶領斯坦福學生們用機器學習看心電圖，識別心律不齊_騰訊視頻 https://v.qq.com/x/cover/m0522r6usky/m0522r6usky.html

心律不齊的診斷難題

如果患者疑似有心律不齊癥狀，通常會去醫院做個心電圖。但是，在醫院做的幾分鐘或者十幾分鐘心電圖，往往發現不了問題，這時候醫生就可能會給患者一個可穿戴的心電圖監測器，要戴兩周。

兩周，就要產生幾百小時的心電圖數據，醫生要一秒一秒地檢查，從中找出患者是否出現了有問題的心律不齊。

更難的是，還得把有問題的心律不齊和安全無害的心律不齊區分開，它們在心電圖上看起來非常像。

論文的主要作者之一、斯坦福大學研究生Pranav Rajpurkar說：「心律信號之間的差異可能非常細微，比如說，有兩種心律不齊都叫二度房室傳導阻滯，它們在心電圖上的表現也非常相似，但一種需要立刻治療，一種不需要。」

吳恩達帶領的斯坦福機器學習小組把這看作一個數據科學問題。

深度學習方法

斯坦福機器學習組的同學們，要用深度神經網路，從心電圖中識別14類心律不齊。

△ iRhythm的可穿戴心電圖監測器Zio

他們和可穿戴心電圖監測設備廠商iRhythm合作，收集並標註了來自29163名患者的64121份心電圖數據，以200 Hz的頻率採樣，構建了大規模的訓練集和校驗集，用來訓練神經網路。

隨後，他們又從328名患者處收集了336份心電圖數據，構成了測試集。

數據集中的心電圖樣本每段30秒，都經過專業醫生標註。測試集的數據標註則經過3名心臟病專家組成的委員會「會診」得出。

為識別心電圖，他們構建了34層神經網路，包括33個卷積層、一個全連接層和softmax，以原始心電圖時間序列為輸入，每秒輸出一次預測標籤。

下圖展示了這個深度神經網路的結構：

結果

最後，他們找了6名心臟病專家，分別從測試集的心電圖中識別心律不齊，又以3名專家會診的結果作為標準，將人類識別的結果、演算法識別的結果與之進行比較。

他們發現，演算法的準確率與受過專業訓練的人類心臟病專家相當，在很多情況下甚至比人類更好。

上圖藍色表示演算法的識別成績，黃色是人類專家的識別成績；Sequence F1表示演算法/人類預測與標準結果之間多個標籤平均重合度，Set F1表示唯一分類標籤的重合度。

識別準確率差不多的情況下，這個演算法與人類相比有著巨大優勢：它看幾百小時的心電圖也不會累，可以持續、即時地診斷心律不齊。

長期來看，斯坦福ML組希望能藉助專家級的心律不齊識別演算法，讓更多無法及時就醫的人能獲得診斷，也希望能讓可穿戴設備在危險的心律不齊發生時，能及時進行提醒。

吳恩達說，這正是深度學習提高患者診斷質量、幫醫生節約時間的機會之一。

相關鏈接

項目簡介：

https://stanfordmlgroup.github.io/projects/ecg/

論文：

https://arxiv.org/pdf/1707.01836.pdf

【完】

歡迎大家關注我們的專欄：量子位 - 知乎專欄

一則通知

量子位讀者5群開放申請，對人工智慧感興趣的朋友，可以添加量子位小助手的微信qbitbot2，申請入群，一起研討人工智慧。

另外，量子位大咖雲集的自動駕駛技術群，僅接納研究自動駕駛相關領域的在校學生或一線工程師。申請方式：添加qbitbot2為好友，備註「自動駕駛」申請加入~