Li Lin compilateur finition
rapports Qubit | Numéro public QbitAI
Andrew Ng a dirigé le groupe Machine Learning Stanford (Stanford Group ML) a récemment mis au point un nouvel algorithme d'apprentissage en profondeur qui permet le diagnostic de 14 classes d'arythmie, une précision comparable à un médecin humain.
Leur article publié jeudi dans arXiv, intitulé Cardiologue niveau Arrhythmia Detection avec convolutifs Neural Networks, menée par des cardiologues niveau de réseau de neurones convolution cardiaque détection d'arythmie, les auteurs incluent Pranav Rajpurkar, Awni Hannun, Masoumeh Haghpanahi, Codie Bourn et Andrew Ng.
Le problème de Arythmie
Si le patient est soupçonné d'arythmie symptômes vont habituellement à l'hôpital pour être ECG. Cependant, à l'hôpital pendant quelques minutes ou dix minutes électrocardiogrammes, souvent ne peuvent pas trouver le problème, cette fois, le médecin peut donner au patient un moniteur ECG portable à porter pendant deux semaines.
Deux semaines plus tard, produira des centaines d'heures de données ECG, le médecin vérifie à la seconde à une seconde, pour savoir s'il y a un problème avec l'arythmie du patient.
Plus difficile, a dû séparer la question de la zone arythmies sûres et inoffensives et arythmie, ils ressemblent beaucoup sur un électrocardiogramme.
L'un des principaux auteurs du document, étudiant diplômé Université de Stanford Pranav Rajpurkar a déclaré: « La différence entre le signal de fréquence cardiaque peut être très subtile, par exemple, il y a deux troubles du rythme sont appelés second degré bloc auriculo-ventriculaire, qui est sur l'ECG la performance est très similaire, mais une nécessité un traitement immédiat, ne nécessite pas ".
Andrew Ng a dirigé le groupe Machine Learning Stanford voir cela comme un problème de données scientifiques.
apprentissage profondeur
Stanford Group Machine Learning d'étudiants, d'utiliser la profondeur de la reconnaissance du réseau de neurones de l'arythmie ECG dans 14 catégories.
iRhythm portable moniteur ECG Zio
Ils et faciles à porter les fabricants d'équipements de surveillance ECG coopération iRhythm, recueillies et marquées 64121 données électrocardiographiques copies de 29,163 patients à une fréquence de 200 Hz d'échantillonnage, pour construire un ensemble de formation à grande échelle et un ensemble de validation est utilisé pour former le réseau de neurones.
Elles données ECG recueillies ensuite et de 336 à 328 patients, constitue un ensemble de test.
échantillon de données ECG centralisée de chaque segment pendant 30 secondes et professionnels de la santé ont été marqués. ensemble de données de test est marqué par le comité composé de trois cardiologues résultats « consultation ».
Pour identifier électrocardiogramme, ils ont construit une couche de réseau de neurones 34, 33 comprend une couche de convolution, une couche de liaison et SoftMax complète, entrée de l'ECG de la série temporelle d'origine, la production d'une fois par seconde étiquette de prédiction.
La figure ci-dessous montre la profondeur de l'architecture du réseau de neurones:
résultat
Enfin, ils ont trouvé six cardiologues, identifier séparément troubles du rythme du jeu de test ECG, encore une fois le résultat de trois consultations d'experts en tant que norme, le résultat de la reconnaissance humaine, les résultats de l'algorithme de reconnaissance sont comparés.
Ils ont constaté que la précision de l'algorithme et cardiologue formé professionnellement tout à fait humain, et dans de nombreux cas, même mieux que les humains.
les résultats de la reconnaissance figure montrant le bleu de l'algorithme, le jaune est le résultat de reconnaissance d'experts humains Séquence F1 représente le degré de coïncidence entre une pluralité Set F1 représente de balises algorithme résultats moyenne / standard et la prédiction de l'homme, le degré de coïncidence d'une étiquette de classification unique.
Sous la précision de la reconnaissance des circonstances similaires, cet algorithme par rapport à l'homme ont un énorme avantage: il regarde des centaines d'heures d'ECG ne sera pas fatigué, peut continuer, arythmie instantanément diagnose.
À long terme, le groupe Stanford ML espère à l'algorithme de reconnaissance d'arythmie au moyen de la fréquence cardiaque au niveau des experts, de sorte que plus de gens ne peuvent pas obtenir un diagnostic médical en temps opportun, mais veulent aussi faire dispositif portable lorsque l'arythmie dangereuse Qifa Sheng, peut être opportune rappel.
Andrew Ng a dit que c'est la profondeur de l'apprentissage pour améliorer la qualité du diagnostic du patient, aide les médecins de gagner du temps une chance.
Liens connexes
Description du projet:
https://stanfordmlgroup.github.io/projects/ecg/
papier:
https://arxiv.org/pdf/1707.01836.pdf
[Fin]
Un avis
lecteurs Quantum ouverture 5 appliquent un groupe d'amis intéressés par l'intelligence artificielle, vous pouvez ajouter des micro-canaux qbitbot2 qubit Little Helper, une demande d'admission au groupe, discuter avec l'intelligence artificielle.
En outre, un grand café qubit a réuni le groupe de technologie de pilote automatique, Autopilot accepté que la recherche dans des domaines connexes dans les ingénieurs de l'école ou de première ligne . Appliquer: Ajouter qbitbot2 comme un ami, des notes " pilote automatique « Inscrivez-vous ~
recrutement
Qubits recrute des éditeurs et des journalistes, des opérations, des produits et d'autres positions, basé à Zhongguancun de Beijing. Détails, le numéro de l'interface de dialogue public, répond: « Le recrutement. »
