L'IA atteint une précision de 90 % dans la détection des récidives de fibrillation auriculaire
- Une nouvelle méthode d'apprentissage profond détecte les signaux possibles de récidive de la fibrillation auriculaire avec une précision de 90 %.
- Pour ce faire, il analyse et apprend des images IRM cardiaques tridimensionnelles et génère une représentation anatomique basée sur des points de repère spécifiques à chaque personne.
Selon un rapport du CDC, environ 6,1 millions de personnes aux États-Unis souffrent de fibrillation auriculaire (FA) – une fréquence cardiaque irrégulière et souvent rapide qui augmente le risque d'insuffisance cardiaque, d'accident vasculaire cérébral et d'autres complications.
L'hypertension artérielle et l'âge avancé représentent jusqu'à 22 % des cas de fibrillation auriculaire. Habituellement, cela multiplie par 5 le risque d'accident vasculaire cérébral et provoque 20 % des accidents vasculaires cérébraux ischémiques qui surviennent lorsque le flux sanguin vers le cerveau est obstrué par des dépôts graisseux appelés plaque dans la paroi des vaisseaux sanguins.
Bien que la fibrillation auriculaire ne mette pas la vie en danger, il s’agit d’une maladie grave qui nécessite souvent un traitement d’urgence. Dans de nombreux cas, elle réapparaît après le traitement. Pour détecter d'éventuels signaux de récidive, des chercheurs de l'Université de l'Utah ont conçu une méthode d'apprentissage profond qui détecte la fibrillation auriculaire avec une précision de 90 %.
Comment ça marche ?
Les réseaux neuronaux profonds utilisent une image IRM cardiaque tridimensionnelle pour produire une représentation anatomique basée sur des points de repère spécifiques à une personne, éliminant ainsi les tâches fastidieuses telles que le prétraitement manuel et la segmentation.
Pour prédire la récidive de l'AFiB, il analyse la forme d'une oreillette gauche (l'une des quatre cavités du cœur) et recherche des irrégularités. Cependant, le réseau ne peut pas être formé efficacement avec des échantillons limités. Par conséquent, les chercheurs ont appliqué une approche d'augmentation des données pour produire des informations plus statistiquement réalisables et ainsi former le réseau tout en réduisant le risque de surajustement.
Le réseau neuronal convolutif est formé sur des centaines d'images IRM, à l'aide de GPU NVIDIA Tesla avec le cadre d'apprentissage profond TensorFlow. Ils ont ensuite effectué une augmentation des données sur 75 % de l'ensemble de données d'origine pour améliorer la précision du réseau.
Référence : arXiv:1810.00475 | Université de l'Utah
Plus précisément, la structure de l'oreillette gauche présente un regroupement dans l'espace des formes en raison du grand nombre d'arrangements possibles de veines pulmonaires. Pour traiter ce nombre, ils ont modélisé les formes de l'oreillette gauche sous la forme d'une distribution gaussienne multimodèle dans le sous-espace d'analyse en composantes principales, avec trois composantes fournissant le meilleur critère d'information bayésien.
Modélisation de forme standard vs méthode proposée | Avec l'aimable autorisation des chercheurs
Dans cette expérience, un total de 207 échantillons ont été utilisés, dont 175 pour augmenter les données et les autres ont été réservés pour les tests de réseau (en tant qu'échantillons non observés).
Résultats
Puisque la technique proposée fonctionne en apprenant des descripteurs de forme à partir d'images, elle a été utilisée pour la segmentation automatique de l'oreillette gauche avec des résultats prometteurs.
Lire : L'IA peut détecter le cancer de la peau avec plus de précision que les médecins expérimentés
Après avoir comparé cette technique avec le flux de travail d'analyse de forme de pointe existant qui nécessite une intervention humaine régulière et une optimisation de la correspondance, ils ont constaté que les résultats étaient statistiquement comparables. La récurrence prédite par les réseaux de neurones profonds est précise à 90 % avec une erreur de ±0,06 %.
Technologie industrielle
- Saisir l'arrivée de la technologie numérique pour les industries
- Comment plusieurs tolérances peuvent créer des conflits
- Transformateur de courant | Définition | Utilisation du CT | Principe de fonctionnement
- Comment améliorer la productivité et la qualité de fabrication dans les environnements industriels
- L'innovation LCD de pointe étend les angles de vision et la fidélité des couleurs
- Foire aux questions sur la fabrication d'acier de charpente
- Empileurs télescopiques, convoyeurs radiaux et autres moyens de transport
- L'histoire de la découpe au jet d'eau
- Quelques exemples avec des circuits CA