AI, 심방세동 재발 감지 정확도 90% 달성

• 새로운 딥 러닝 방법은 심방세동 재발 가능성이 있는 신호를 90%의 정확도로 감지합니다. 
• 이를 위해 3차원 심장 MRI 이미지를 분석 및 학습하고 개인별 랜드마크 기반 해부학적 표현을 생성합니다. 

CDC 보고서에 따르면 미국에서 약 610만 명이 심방세동(AFib)을 앓고 있습니다. 이는 심부전, 뇌졸중 및 기타 합병증의 위험을 높이는 불규칙하고 빠른 심박수입니다.

고혈압과 노화는 AFib 사례의 최대 22%를 차지합니다. 일반적으로 이는 뇌졸중 위험을 5배 증가시키고, 혈관 내막의 플라크라고 알려진 지방 침착물에 의해 뇌로 가는 혈액의 흐름이 차단될 때 발생하는 허혈성 뇌졸중의 20%를 유발합니다.

AFib는 생명을 위협하지는 않지만 종종 응급 치료가 필요한 심각한 상태입니다. 치료 후 다시 나타나는 경우도 많습니다. 재발 가능성이 있는 신호를 감지하기 위해 유타 대학교 연구진은 90% 정확도로 AFib를 감지하는 딥 러닝 방법을 설계했습니다.

어떻게 작동하나요?

심층 신경망은 3차원 심장 MRI 사진을 사용하여 개인별 랜드마크 기반 해부학적 표현을 생성하므로 수동 전처리 및 분할과 같은 지루한 작업이 필요하지 않습니다.

AFiB 재발을 예측하기 위해 좌심방(심장의 4개 방 중 하나)의 모양을 분석하고 불규칙성을 찾습니다. 그러나 제한된 샘플로는 네트워크를 효율적으로 훈련시킬 수 없습니다. 따라서 연구자들은 통계적으로 더 실현 가능한 정보를 생성하기 위해 데이터 확대 접근 방식을 적용하여 과적합 위험을 줄이면서 네트워크를 훈련했습니다.

컨벌루션 신경망은 TensorFlow 딥 러닝 프레임워크와 함께 NVIDIA Tesla GPU를 사용하여 수백 장의 MRI 사진에 대해 훈련되었습니다. 그런 다음 원본 데이터 세트의 75%에 대해 데이터 확대를 수행하여 네트워크 정확도를 향상했습니다.

참조: arXiv:1810.00475 | 유타대학교

보다 구체적으로, 좌심방의 구조는 폐정맥의 배열이 매우 다양하기 때문에 형상 공간에서 클러스터링을 나타냅니다. 이 숫자를 처리하기 위해 그들은 주성분 분석 하위 공간에서 다중 모델 가우스 분포로 좌심방 모양을 모델링했으며, 세 가지 구성 요소는 최고의 베이지안 정보 기준을 제공했습니다.

표준 형상 모델링과 제안 방법 | 연구원 제공

이 실험에서는 총 207개의 샘플이 사용되었으며, 그 중 175개는 데이터 증대에 사용되었고 나머지 샘플은 네트워크 테스트를 위해 따로 보관되었습니다(관찰되지 않은 샘플로).

결과

제안된 기술은 사진에서 모양 설명자를 학습하는 방식으로 작동하므로 좌심방의 자동 분할에 활용되어 유망한 결과를 얻었습니다.

읽기:AI는 숙련된 의사보다 피부암을 더 정확하게 감지할 수 있습니다

이 기술을 정기적인 인간 개입 및 대응 최적화를 요구하는 기존의 최첨단 형상 분석 워크플로우와 비교한 후 결과가 통계적으로 유사하다는 것을 발견했습니다. 심층 신경망이 예측한 재발은 ±0.06%의 오차로 90% 정확합니다.