Maskininlärning hittar hjärtfel

Teamet testade sitt tillvägagångssätt på 11 donerade mänskliga hjärtan och lokaliserade AF-förare med en noggrannhet på upp till 81%.

Multi-electrode mapping (MEM) är en teknik som kan användas under en operation, där en rad elektroder pressas mot vävnad för att mäta elektrisk aktivitet. Men AF-förare har visat sig vara svåra att hitta med tillräcklig tillförlitlighet eller noggrannhet med hjälp av denna teknik - eftersom målet är att bränna bort AF-föraren inifrån hjärtvävnaden - kallad riktad ablation.

Det finns en teknik som exakt kan lokalisera AF-drivrutiner, så kallad sub-yta nära infraröd optisk kartläggning (NIOM), som har en upplösning på 0,3 mm, men är så invasiv att den inte kan användas i någon under en operation.

Teamet ställde sig frågan: Kan samtidiga MEM- och NIOM-data som samlats in från donerade hjärtan användas för att träna en maskin för att exakt lokalisera AF-förare med endast MEM-data.

Och resultaten från denna proof-of-concept-studie - att MEM-data i 81% av fallen ensam skulle kunna styra ablation med tillräcklig noggrannhet - är lovande.

"Den utbildade ML-modellen kan lokalisera AF-drivrutiner på MEM, vilket betyder att den potentiellt kan användas på kliniken," berättade Alexander Zolotarev, doktorand vid Skolkovo Institute of Science and Technology i Moskva, Electronics Weekly.

"Datauppsättningen för inspelning från elva hjärtor är både ovärderlig och för liten", säger forskare Dmitry Dylov. "Vi insåg att klinisk översättning skulle kräva en mycket större provstorlek för representativ provtagning."

För MEM-mätningar testades två 8 x 8 elektroduppsättningar, en med 3 mm stigning och en med 9 mm, medan kameror såg på att implementera NIOM (se diagram).

Teamet vid konferensen Heart Rhythm Society 2019

Under träning och användning transformerades signaler från elektroderna Fourier till frekvensdomänen, sedan bearbetades höjderna och positionerna för frekvenstopparna till data för inlärning eller instantiering.

3mm-arrayen gav mer användbara resultat, men båda hade fördelar.

"Den allmänna ML-modellen kombinerar data från båda MEM-grupperna", säger Zolotarev. "Men bara en av matriserna kan användas under kartläggningen, de kan inte implementeras samtidigt."

'Optisk kartläggningsvaliderad maskininlärning förbättrar förmaksflimmerdrivdetektering genom multelektkartläggning' beskriver arbetet i detalj i AHA-tidskriften Circulation: Arrytmi och elektrofysiologi. Endast ett abstrakt är fritt tillgängligt.

Skolkovo Institute of Science and Technology arbetade med Ohio State University Wexner Medical Center och Ryska Center of Computational and Data-Intensive Science and Engineering.

Diagramkredit: Pavel Odinev Skoltech
Fotokredit: Fedorov-lab Ohio State