Další formáty:
BibTeX
LaTeX
RIS
@proceedings{1860578, author = {Pešl, Martin and Hejc, Jakub and Kulik, Tomas and Vicar, Tomas and Novotna, Petra and Ronzhina, Marina and Leinveber, Pavel and Jakubík, Juraj and GonzalesandRivas, Juan and Stárek, Zdeněk and Špinarová, Lenka}, booktitle = {XXX. výroční sjezd České kardiologické společnosti}, language = {cze}, title = {NOVÉ MOŽNOSTI AUTOMATICKÉ KLASIFIKACE EKG PRO POPULAČNÍ STUDII KARDIOVIZE: VYUŽITÍ AI-DEEP LEARNING MODELU RESNET}, url = {http://www.cksonline.cz/30-vyrocni-sjezd-cks/clanky.php?pid=1625&idAkce=108}, year = {2022} }
TY - CONF ID - 1860578 AU - Pešl, Martin - Hejc, Jakub - Kulik, Tomas - Vicar, Tomas - Novotna, Petra - Ronzhina, Marina - Leinveber, Pavel - Jakubík, Juraj - Gonzales-Rivas, Juan - Stárek, Zdeněk - Špinarová, Lenka PY - 2022 TI - NOVÉ MOŽNOSTI AUTOMATICKÉ KLASIFIKACE EKG PRO POPULAČNÍ STUDII KARDIOVIZE: VYUŽITÍ AI-DEEP LEARNING MODELU RESNET UR - http://www.cksonline.cz/30-vyrocni-sjezd-cks/clanky.php?pid=1625&idAkce=108 N2 - Průřezová studie kardiovaskulárních rizikových faktorů Kardiovize zařadila dosud více než 6 tis. dobrovolníků a automatická klasifikace EKG je u ní i dalších velkých populačních studií nezbytná. Současně se rozšířily možnosti hluboké neuronové sítě (DLN). V pilotní práci bylo cílem srovnat efektivitu standardní automatické evaluace EKG a DLN modelu ResNet u 397 zdravých dobrovolníků. Anonymizovná podskupina byla automaticky klasifikovana systémem ELI™ 350 ECG Mortara/Veritas. Srovnívací EKG klasifikace proběhla na míru připraveným DLN modelem zaměřeným na detekci arytmií, zejména fibrilaci síní (FS). K zajištění kvalitní detekce byla pro učení modelu ResNet využita veřejná tréninková databáze kategorizovaných datasetů (43000 různých EKG záznamů, 24 víceparametrických kategorií). Pro zabránění přeučení DLN modelu byly v signálech z této databáze provedeny náhodné morfologické operace v amplitudové a časové ose (posun, roztažení) rozšířené dále o uměle generovaný šum). DLN model na základě těchto dat interpretoval EKG do jedné, či více možných kategorií. Evaluace obou systémů byla provedena proti klinické referenci konsenzu dvou hodnotitelů. V tréninkovém setu dosáhl model F1-score 0.86 a 0.87 pro normální sinusový rytmus a FS. V obou kategoriích se vyskytovaly falešně pozitivní výsledky. Jednou z příčin chybného tréninkového zařazení je suboptimální databázová klasifikace. Žádné z 397 pilotních EKG nebylo DLN klasifikováno jako FS, oproti tomu Mortara/Veritas vyhodnotila 6 EKG (chybně) jako FS (specificita 0.985). DLN model dosáhl specificity pro FS 1.0 a F1 skóre 0.875 pro long QT syndrom. Pro SR, AF, LQT, KES a SVES dosáhl model F1 skóre 0.874. DLN modely se jeví jako vhodný nástroj pro automatický screening EKG a budou dále využívány v Kardiovizi. Pro ověření generalizačních schopností je však třeba rozsáhlého testování na větších souborech. ER -
PEŠL, Martin, Jakub HEJC, Tomas KULIK, Tomas VICAR, Petra NOVOTNA, Marina RONZHINA, Pavel LEINVEBER, Juraj JAKUBÍK, Juan GONZALES-RIVAS, Zdeněk STÁREK a Lenka ŠPINAROVÁ. NOVÉ MOŽNOSTI AUTOMATICKÉ KLASIFIKACE EKG PRO POPULAČNÍ STUDII KARDIOVIZE: VYUŽITÍ AI-DEEP LEARNING MODELU RESNET. In \textit{XXX. výroční sjezd České kardiologické společnosti}. 2022.
|