吴恩达带斯坦福ML组发了新论文：深度学习攻克心律不齐难题

隔壁他二叔

吴恩达带斯坦福ML组发了新论文：深度学习攻克心律不齐难题

2017年07月07日

　　吴恩达带领的斯坦福机器学习组(Stanford ML Group)最近开发了一种深度学习新算法，能诊断14类心律不齐，准确率可以媲美人类医生。

　　他们的论文周四公布在了Arxiv上，题为Cardiologist-Level Arrhythmia Detection with Convolutional Neural Networks，用卷积神经网络进行心脏病专家级的心律不齐检测，作者包括Pranav Rajpurkar、Awni Hannun、Masoumeh Haghpanahi、Codie Bourn和吴恩达。

　　心律不齐的诊断难题

　　如果患者疑似有心律不齐症状，通常会去医院做个心电图。但是，在医院做的几分钟或者十几分钟心电图，往往发现不了问题，这时候医生就可能会给患者一个可穿戴的心电图监测器，要戴两周。

　　两周，就要产生几百小时的心电图数据，医生要一秒一秒地检查，从中找出患者是否出现了有问题的心律不齐。

　　更难的是，还得把有问题的心律不齐和安全无害的心律不齐区分开，它们在心电图上看起来非常像。

　　论文的主要作者之一、斯坦福大学研究生Pranav Rajpurkar说：“心律信号之间的差异可能非常细微，比如说，有两种心律不齐都叫做二度房室传导阻滞的，它们在心电图上的表现也非常相似，但一种需要立刻治疗，一种不需要。”

　　吴恩达带领的斯坦福机器学习小组把这看作一个数据科学问题。

　　深度学习方法

　　斯坦福机器学习组的同学们，要用深度神经网络，从心电图中识别14类心律不齐。

△ iRhythm的可穿戴心电图监测器Zio

　　他们和可穿戴心电图监测设备厂商iRhythm合作，收集并标注了来自29163名患者的64121份心电图数据，以200 Hz的频率采样，构建了大规模的训练集和校验集，用来训练神经网络。

　　随后，他们又从328名患者处收集了336份心电图数据，构成了测试集。

　　数据集中的心电图样本每段30秒，都经过专业医生标注。测试集的数据标注则经过3名心脏病专家组成的委员会“会诊”得出。

　　为识别心电图，他们构建了34层神经网络，包括33个卷积层、一个全连接层和softmax，以原始心电图时间序列为输入，每秒输出一次预测标签。

　　下图展示了这个深度神经网络的结构：

　　结果

　　最后，他们找了6名心脏病专家，分别从测试集的心电图中识别心律不齐，又以3名专家会诊的结果作为标准，将人类识别的结果、算法识别的结果与之进行比较。

　　他们发现，算法的准确率与受过专业训练的人类心脏病专家相当，在很多情况下甚至比人类更好。

　　上图蓝色表示算法的识别成绩，黄色是人类专家的识别成绩；Sequence F1表示算法/人类预测与标准结果之间多个标签平均重合度，Set F1表示唯一分类标签的重合度。

　　识别准确率差不多的情况下，这个算法与人类相比有着巨大优势：它看几百小时的心电图也不会累，可以持续、即时地诊断心律不齐。

　　长期来看，斯坦福ML组希望能借助专家级的心律不齐识别算法，让更多无法及时就医的人能获得诊断，也希望能让可穿戴设备在危险的心律不齐发生时，能及时进行提醒。

　　吴恩达说，这正是深度学习提高患者诊断质量、帮医生节约时间的机会之一。