倫敦帝國理工學院的研究人員開發(fā)了一種基于AI的軟件，目前，這款軟件被稱為PPMnn(永久起搏器神經網絡)， 用于識別起搏器或者除顫器的制造商和型號。該研究結果發(fā)表在美國心臟病學會(JACC)：臨床電生理學雜志上。這篇論文介紹了基于神經網絡的系統的開發(fā)、驗證和有效性。

背景

全世界每年有超過一百萬人進行心律裝置的移植手術，在移植過程中，醫(yī)護人員通常是通過一些算法來輔助自己識別設備的X圖像，進而確定起搏器或除顫器的制造商和型號。但即使是最有效的算法，識別也不是完美的，而一旦錯誤就會導致病情延誤。

事實上，多達80%的心臟相關專科醫(yī)生報告說他們“經常”難以識別設備。

研究人員對來自5家生產廠家的45種型號的1676臺設備的X光圖像進行提取。利用1451幅圖像作為訓練集，建立了卷積神經網絡對圖像進行分類。測試集還包含其余的225幅圖像，每種型號包括5個樣本，并將神經網絡識別設備的能力與心臟病專家進行了比較。

結果顯示，神經網絡對制造商設備的識別準確率為99.6%(95%置信區(qū)間：97.5 ~ 100)，對型號的識別準確率為96.4%(95%置信區(qū)間：93.1 ~ 98.5)。5名心臟病專家對制造商識別正確率的均值為72.0%(范圍為62.2% ~ 88.9%)，無法進行型號識別�？梢钥闯�，基于神經網絡識別的能力明顯優(yōu)于所有心臟病專家。

方法

數據提取

在本研究中，數據集是選取1998年2月至2018年5月期間在 Imperial College Healthcare NHS Trust醫(yī)療保健中心植入的心率儀的圖像。

訓練神經網絡需要足夠多的類別樣例，每一類至少包括25幅圖像，包括便攜式和部門AP/PA胸片，不包括側位胸片。從連續(xù)病例患者中提取圖像，每個型號最多提取40張圖像，以最小化類不平衡。從每張X光圖像中，分割出一個比設備稍大的正方形區(qū)域，該區(qū)域最大限度地提高了網絡的信噪比。然后將這些裁剪后的圖像調整為224×224像素，并進行歸一化，得到0到1之間的像素值。在提取過程中注意，在某些情況下，如果制造商引進一種新型號時，在X光圖像上沒有檢測到變化，這可能只是設備軟件上的一個更新，或者是部件外觀上幾乎相同無法區(qū)分。

第一步，是從45類中隨機分配5張圖片作為“測試集”，這在網絡的任何訓練階段都不會用到，在最終驗證準確性時才會使用。

剩下的“訓練集”用于訓練網絡，分為兩個不同階段：第一個階段是決定使用哪個底層網絡(包括結構特征，如層的數量和大小)以及訓練的快慢(稱為 “學習率”)。這些卷積神經網絡類似于人類大腦的層次結構組織，解決圖像分類問題;第二階段是調整權重的詳細過程，以對起搏器進行分類。這兩個階段都使用了訓練集，但方式不同。

在網絡訓練第一階段 (如圖1所示)，每種神經網絡候選模型都從75%的訓練集中學習，并正確預測剩余25%的訓練集。如此重復4次，這樣所有的訓練集都輪流扮演了兩個角色。這個過程被稱為“4次交叉驗證”。

 

 

圖1 網絡設計流程圖

第二階段，基于第一階段選擇的神經網絡模型開始，但是使用整個訓練集對網絡進行訓練，得到最終的神經網絡模型。

最后，這個訓練好的網絡模型第一次向“測試集”公開，“測試集”始終保持獨立，以評估其正確分類制造商和型號的能力。

該研究獲得了衛(wèi)生研究管理局(集成研究應用系統標識249461)的監(jiān)管批準。

卷積神經網絡架構與訓練

我們評估了五種不同的卷積神經網絡架構(DenseNet、Inception V3、VGGNet、ResNet和Xception)，這些架構在近幾年都是世界領先級的。在對整個模型進行再訓練時，使用ImageNet上訓練得到的權值對所有網絡進行初始化。

對于每個網絡，輸出層設置為45個密集連接的神經元(對應每個設備型號1個)。使用交叉熵損失函數對其中16幅圖像進行損失計算，并使用ADADELTA優(yōu)化器更新權重。損失是用來評估網絡性能和改進網絡性能的技術指標。損失比簡單的錯誤率(準確度的倒數)更敏感，因為要獲得滿分(零損失)，網絡對每個心臟起搏器圖像的正確預測達到100%。

神經網絡的訓練是一個自動調整權值以使損失最小化的過程，直到損失函數達到穩(wěn)定。使用Tensorflow和Keras機器學習框架的Python編程語言進行編程。

可視化

對每個例子進行處理以提供特征映射，其中梯度最高的像素對應于正確的類(突出顯示對網絡決策貢獻最大的像素)，這可以使用Keras-vis軟件完成 。

借助算法的專家測試

將225張圖像的測試集提供給5名心臟病專家(其中兩個是電生理學家)，同時提供心律儀識別算法CaRDIA-X(3)。該算法只針對制造商進行區(qū)分，而不能識別特定的型號。對于每一幅圖像，都已知是起搏器、除顫器還是循環(huán)記錄器。

我們要求評分者將每種設備分類為Biotronik、Boston Scientific、Medtronic、Sorin或St. Jude Medical。

統計分析

對比測試神經網絡和借助CaRDIA-X算法的專家對制造商分類的結果。采用McNemar檢驗進行評估，p值0.05作為統計特征閾值。最后參照每位專家的評估結果計算精度均值。

精確度定義為測試集中正確分類的圖像數量除以測試集中圖像的總數。精確度的置信區(qū)間使用二項式方法計算。對于大小不相等的制造商類別，也計算F1分數，定義為精度和召回率的平均值的兩倍，范圍在0和1之間。

使用費希爾精確檢驗，對網絡的準確性進行了不同子組的評估。韋爾奇不等方差t檢驗通過計算每張圖像的拉普拉斯方差來評估部門和便攜式x線片在圖像清晰度方面的差異，采用R軟件進行統計分析。

結果

數據集

數據集總共包括來自1575名患者的1676張不同設備的圖像。盡管有66種不同的設備型號，但其中一些在視覺上是無法區(qū)分的，這可能只是設備中軟件的變化。型號組共有45個，其中278張X光圖像來自便攜式設備，其余1398臺為部門AP/PA片。

測試集45種型號中每種型號由5個樣本組成，總共225個樣本。

 

 

(左)條形圖顯示了識別5個人類報告者和神經網絡中的設備制造商的比較準確性。p值是指中位數和最佳人類評分之上的神經網絡的優(yōu)越性。(右)混淆矩陣顯示網絡在預測正確的設備制造商時的準確性。BIO = Biotronik; BOS = Boston Scientific; MDT =美敦力; SOR =索林; STJ = St. Jude。

階段1：不同神經網絡架構的性能比較

對于所有的網絡模型，經過階段1的訓練后，網絡的性能都達到了一個穩(wěn)定狀態(tài)，損失函數也下降到一個平穩(wěn)水平。VGGNet的準確率為4.4%，Xception的準確率為91.1%。

第一階段的結論是為第2階段選擇Xception架構打下基礎，并預先指定訓練的epoch為15。然后第二階段從一個全新的Xception神經網絡開始，使用1451張完整的訓練集進行訓練。最后，使用第二階段生成的最終神經網絡對“測試集”數據進行測試驗證。

階段2： “測試集”驗證神經網絡性能

最終的神經網絡識別設備制造商的準確率為99.6%，對應的F1得分為0.996。性能如圖1所示。唯一錯誤分類的圖像是Medtronic Adapta設備被誤認為Sorin Reply設備。

不可避免地，識別模型組(而不僅僅是制造商)的性能較低，準確率為96.4% (95% CI: 93.1 ~ 98.5)， F1評分為0.964分。值得注意的是，在其中的8個預測中，正確的型號是前3個預測中的1個。因此，通常描述為“前3名”的準確率為99.6% (95% CI: 97.5到100.0)。

 

 

型號識別矩陣

便攜式X光圖像的型號識別準確率為89.5% (95% CI: 75.2 - 97.1)，而部門X線圖像的準確率為97.9% (95% CI: 94.6 - 99.4)(兩組間差異p = 0.029)。然而，唯一的制造商分類錯誤是部門X光圖像。起搏器組準確率為95.0% (95% CI: 90.4 - 97.8)，ICDs組準確率為96.4% (95% CI: 87.5 - 99.6%)(兩組間差異p = 1.00)，準確率在不同廠家之間差異不顯著(p = 0.954)。

與醫(yī)學專家的性能進行比較

五名心臟病專家使用CaRDIA-X算法對5家制造商的225張測試集圖像進行分類。他們的準確率從62.3%到88.9%不等，平均準確率為72.0%，神經網絡的準確率顯著高于專家。

可視化分析

在另一項探索性分析中，我們對測試集中的每張圖像都生成了特征圖，顯示它們所描述的心率儀的最大特征，就類似于臨床醫(yī)學中疾病的病征。

圖3顯示了包含2個不同型號的4幅圖像，圖4表明AT500設備的特征映射，顯示圍繞該設備特有的環(huán)形電路板組件。

 

 

圖3

 

 

圖4

討論

這是首次利用人工智能從X光圖像中識別心律裝置的研究。該神經網絡在識別設備制造商方面具有更高的準確性。對于從未見過的圖像，該網絡識別設備制造商的準確率為99.6%，對應的專家識別準確率為62.3%到88.9%。

臨床應用

在一些臨床應用中，使用更快的、可靠的(至少和心臟病專家一樣)工具會大有用處。醫(yī)生用它從一個簡單的胸片快速評估心臟設備的性質。因為只有特定的制造商才能與病人的設備通信，知道帶哪個程序員來可以節(jié)省寶貴的臨床時間，這樣可以在緊急情況下快速訪問設備，提供緊急治療。

機器學習：特征圖

在圖3中，大多數人包括心臟病專家，都很難區(qū)分起搏器的兩種模型。然而，神經網絡不僅能準確地區(qū)分它們，特征圖還能突出區(qū)分它們最明顯的特征。此外，一旦這個顯著的特性被指出來(圖4)，就很容易區(qū)分。

網絡架構極大地影響性能

表2顯示了不同神經網絡架構的性能水平，VGGNet在這項任務上的表現很差。ResNet設計了“殘差連接”，這種方法使原始圖像可用于網絡的所有后續(xù)層，而不僅僅是第一層。GoogLeNet Inception使用“1×1卷積”在層之間壓縮信息，大大降低網絡的復雜性。性能最好的設計是Xception，它廣泛使用了這兩種創(chuàng)新“殘差連接”和“1×1卷積”。

局限性

該神經網絡可以識別英國地區(qū)常用的設備，無法適應所有的設備。當然，該網絡能夠不斷地擴展，訓練神經網絡只需要新設備的25個樣本。

有時候，神經網絡也會得出錯誤的結論。盡管網絡選擇的正確率在96.4%。但(巧合的是)在99.6%的情況下，正確的型號是前3個預測中的1個。

所有的神經網絡都有“過度擬合”的風險。我們試圖以兩種方式將過度擬合的風險降至最低。首先，網絡的性能被定義為在未經過訓練的“測試集”上的準確性。其次，網絡中包括各種“正規(guī)化”方法，例如丟失和權重衰減。

讓神經網絡，從“工作臺走到病床邊”的部署可能很困難，因為在護理時并不總是需要很大的處理能力。通過提供任何人都可以使用的在線Web門戶，我們可以緩解這種情況。

結論

本研究證明卷積神經網絡能夠從X光片上準確識別心律裝置的制造商和型號。此外，它的性能顯著超過使用流程圖的心臟病專家。

醫(yī)學能力：機器學習和人工智能在醫(yī)學領域，特別是在醫(yī)學圖像分析領域，得到了迅速的發(fā)展。我們的方法會加速患者的診斷和治療。本文也表明了神經網絡越來越多的處理大量的醫(yī)學數據(整個衛(wèi)生保健系統)，以及未來病人護理可能會越來越多地依賴計算機輔助決策。

成果轉化：將機器學習的成果從計算機實驗室轉化為現實應用往往是困難的。通過研究，我們提供了一個在線教育門戶網站，醫(yī)生可以在線與網絡互動。與以往一樣，在將神經網絡部署為有效工具之前，進一步的臨床研究對于評估網絡的準確性至關重要。

標簽： [db:TAGG]

版權申明：本站文章部分自網絡，如有侵權，請聯系：west999com@outlook.com
特別注意：本站所有轉載文章言論不代表本站觀點！
本站所提供的圖片等素材，版權歸原作者所有，如需使用，請與原作者聯系。