Uszkodzenia serca zdarzają się niezwykle często, dlatego też poszukiwane są metody badań, które przyspieszą przeprowadzenie zabiegów ratujących zdrowie i życie. Naukowcy z KIT postanowili wykorzystać uczenie maszynowe, aby wspomogło kardiochirurgów podczas ablacji serca. W jaki sposób?
Problematyka chorób serca i ich leczenie
Serce jest jednym z najważniejszych organów ludzkiego ciała, jego zadaniem jest pompowanie krwi w taki sposób, aby każdy fragment organizmu został nią zasilony. Tę wiedzę znamy już z podstawówki, jednak o jego zaburzeniach często wiemy niewiele. Ich pokłosiem może być nawet 17 milionów zgonów rocznie, z czego 25% w sposób nagły.
Jednym z pierwszych i częstych przesłanek problemów z sercem są arytmie, a więc zaburzenia jego rytmu, który w normalnej sytuacji kontrolowany jest przez węzeł zatokowo-przedsionkowy, ulokowany w lewym przedsionku organu. Pojawiające się dodatkowe skurcze zazwyczaj mają swoje źródło w dodatkowych sygnałach elektrycznych, które w niektórych przypadkach, takich jak częstoskurcze komorowe, mogą powodować uszkodzenia narządu, a co za tym idzie – zagrażać zdrowiu i życiu.
Gdy jednak tego typu arytmia już się pojawi, jedną z metod leczenia jest ablacja serca, która polega na celowym uszkodzeniu tkanek narządu przy użyciu prądu o wysokiej częstotliwości za pomocą cewnika. Aby jednak zabieg mógł się odbyć, konieczne jest zapoznanie się z geometrią organu pacjenta, co oznacza, że podstawowe badanie w postaci EKG nie jest wystarczające i pojawia się konieczność wykonania badania tomografem komputerowym. Naukowcy z Karlsruhe Institute of Technology (KIT) mają pomysł, aby do identyfikacji pochodzenia skurczów wykorzystać uczenie maszynowe.
Uczenie maszynowe sposobem na nieinwazyjne modelowanie serca pacjenta
Jak twierdzą pomysłodawcy, sposób na wykorzystanie deep learning i sieci neuronowych pozwoliłby na nieinwazyjne modelowanie serca, które nie wymagałoby wykonania tomografii komputerowej. Technologia oparta o uczenie maszynowe na podstawie sygnałów EKG generuje geometrię narządu pacjenta i lokalizuje dodatkowe skurcze komorowe, będące źródłem problemów ze zdrowiem.
Do systemu wykorzystuje się konwolucyjne sieci neuronowe (CNN), które są w stanie przetworzyć dużą liczbę danych w formie siatki oraz wyodrębnić szczegółowe i wyróżniające cechy. Model został przeszkolony w oparciu o symulacje tworzące 1,8 miliona dodatkowych skurczy w zapisie EKG.
Skuteczność tej metody podczas testów w 82% przypadków oceniono jako prawidłowe.
