Dodatni otkucaji srca iz srčanih komora, takozvani ventrikularni ekstrasistoli, mogu biti povezani sa teškim oboljenjima. Istraživači sa Tehnološkog instituta u Karlsrueu (KIT) koriste mašinsko učenje za svoju neinvazivnu lokalizaciju. Ovo može olakšati i poboljšati buduću dijagnozu i terapiju. Istraživači su koristili veštačke neuronske mreže obučene sa sintetičkim podacima iz realističkog simulacionog modela. Oni su objavili svoje nalaze u Veštačkoj inteligenciji u medicini.
Širom sveta, kardiovaskularne bolesti uzrokuju više od 17 miliona smrti godišnje. Od toga, oko 25% se smatra iznenadnom srčanom smrću. Mogu biti uzrokovane ventrikularnim tahikardijama, odnosno brzim srčanim aritmijama iz komora koje su često uzrokovane ventrikularnim ekstrasistolama. Ovi dodatni otkucaji srca iz srčanih komora izgledaju kao preskočeni otkucaji srca.
Normalan rad srca kontroliše sino-atrijalni čvor u levoj pretkomori. Ekstrasistole, naprotiv, izazivaju električni izvori signala na drugim mestima. Do određenog broja, ventrikularni ekstrasistoli su normalni. Ventrikularne tahikardije, međutim, mogu poremetiti rad srca i čak biti opasne po život u slučaju postojeće srčane insuficijencije.
Ventrikularne tahikardije se mogu lečiti kateterskom ablacijom: poreklo ekstrasistola se ablatira visokofrekventnom strujom preko specijalnog katetera. Za ovo, poreklo mora biti precizno lokalizovano. Metode za umetanje katetera u komoru radi lokalizacije su minimalno invazivne, ali dugotrajne i povezane su sa određenim rizicima.
Lokalizacija na osnovu elektrokardiograma (EKG) zahteva prethodno sticanje geometrije specifične za pacijenta uz pomoć tomografskog snimanja. „Metode mašinskog učenja, nasuprot tome, omogućavaju identifikaciju porekla ekstrasistola na neinvazivan način i bez tomografskog snimanja“, kaže dr Aksel Loe, šef interdisciplinarne grupe za računarsko modeliranje srca na KIT-ovom Institutu za biomedicinsko inženjerstvo (IBT) .
Istraživači iz IBT-a i kompanije EPIKure u Karlsrueu izveštavaju kako koriste duboko učenje da lokalizuju ventrikularne ekstrasistole iz EKG signala bez geometrije specifične za pacijenta. U tu svrhu, istraživači koriste konvolucione neuronske mreže (CNN). Ovo je posebna vrsta veštačkih neuronskih mreža, koja se sastoji od različitih slojeva sa različitim zadacima. CNN-ovi su pogodni za velike količine podataka i mogu se uporedivo brzo obučiti.
Istraživači su obučavali CNN isključivo sintetičkim podacima dobijenim iz realističkog simulacionog modela. Ovo je bio jedini način da se generiše skup podataka od 1,8 miliona ekstrasistolnih EKG-a. Konačno, oni su procenili svoj metod koristeći kliničke podatke. U 82% svih kliničkih slučajeva poreklo ekstrasistola je tačno utvrđeno. „Nakon dalje optimizacije korišćenjem kliničkih podataka, naš metod će imati potencijal da ubrza medicinske intervencije, smanji rizike i poboljša rezultate“, kaže Loeve.
