AUTOMATICKÁ KLASIFIKACE EKG V POPULAČNÍ STUDII KARDIOVIZE: VYUŽITÍ DEEP LEARNING MODELU RESNET
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 této 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.
