Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

L'AI neuve prévoit l'emplacement des « voies accessoires » au coeur

M. NISHIMORI Makoto du centre hospitalier universitaire de Kobe et professeur adjoint KIUCHI Kunihiko de projet et autres (de la Division du médicament cardiovasculaire, du Service de médecine interne) ont développé une AI qui emploie des genres multiples d'essais pour prévoir l'emplacement des voies en surplus dans voies accessoires appelées de coeur les « , qui font battre le coeur irrégulièrement.

Dans cette étude, les chercheurs pouvaient améliorer l'exactitude de diagnostic en ayant l'AI apprennent de deux types complet différents des caractéristiques d'électrocardiographie de résultats d'essai (ECG) et d'images de rayon X. On l'espère que cette méthodologie peut être appliquée à d'autres troubles basés sur les résultats couronnés de succès de cette recherche.

Ces résultats de la recherche étaient publiés en ligne dans « des états scientifiques » le 13 avril 2021.

Mouvement propre de recherches

Wolff-Parkinson-White (WPW) est un trouble arhythmique. Les patients présentant le syndrome de WPW sont nés avec les voies en surplus à l'intérieur de leurs voies accessoires appelées de coeurs « , qui peuvent entraîner des épisodes de tachycardie où le pouls accélère. L'ablation par cathéter concerne à l'aide d'un cathéter pour cautériser sélecteur des voies accessoires et peut complet guérir ce trouble. Cependant, le taux de succès d'ablation par cathéter varie selon l'emplacement des voies accessoires.

Conventionnel, 12 une avance ECG (c.-à-d. une électrocardiographie régulière) a été employée pour prévoir l'emplacement de voie accessoire avant la demande de règlement. Cependant, cette méthode actuelle qui se fonde seulement sur l'ECG est insuffisamment précise, qui le rend difficile de donner à des patients une pleine explication qui comprend le taux de succès de demande de règlement. Cette étude de recherches essayée utilisant l'AI pour résoudre ce problème.

Les chercheurs ont employé une méthodologie pour enseigner à AI apprendre profond appelé. Apprendre profondément concerne écrire les caractéristiques pour chaque patient et les réponses correspondantes dans un programme. En répétant ce processus d'apprentissage, le programme devient automatiquement plus sec. Utilisant cette méthodologie, l'organisme de recherche pouvait présenter une solution à un problème précédemment non résolu, de ce fait davantage introduisant l'application de l'AI au médicament moderne.

Méthodologie de recherches

Premièrement, l'équipe de M. Nishimori's ont développé l'AI utilisant seulement des caractéristiques d'ECG et comparé son rendement aux méthodes précédentes. Ils ont conduit répété apprenant où ils ont donné à AI chaque caractéristique de l'ECG des patients et l'emplacement de voie accessoire (c.-à-d. la réponse) dans chaque cas en même temps, produisant avec succès une AI avec un régime de grande précision que des méthodes précédentes.

Cependant, l'AI ne pouvait pas exécuter des prévisions correctes chaque fois seules des caractéristiques d'ECG. La cause de cette édition était vraisemblablement que la caractéristique d'ECG est affectée par les différences dans la taille et position de chaque coeur, pour cette raison les caractéristiques d'ECG ne se sont pas assorties même lorsque l'emplacement de la voie accessoire était identique. Ce problème a été résolu en ayant l'AI apprennent des caractéristiques, telles que l'information sur la taille de chaque coeur, des images de radiographie de la poitrine en même temps.

En apprenant simultanément les caractéristiques du traitement préparatoire ECG et d'image de rayon X, l'AI pouvait obtenir l'information manquante et son exactitude diagnostique était comparée sensiblement amélioré à quand seulement la caractéristique d'ECG a été employée.

Développements ultérieurs

L'avancement de la technologie d'AI ces dernières années a permis à l'AI pour effectuer hautement des diagnostics précis basés sur des genres variés d'essais dans le domaine de la médecine. Cependant, il y a des cas où la caractéristique d'un test unique est insuffisante pour que l'AI effectue un diagnostic précis.

Cette étude de recherches a avec succès augmenté l'exactitude en ayant l'AI apprennent non seulement des résultats d'ECG mais également des images de radiographie thoracique, qui sont un type de données complet différent. les diagnostics précis AI-assistés permettront à des médecins de donner à des patients de traitement préparatoire une explication plus précise de leur état, qui mettra si tout va bien des patients à l'aise. De plus, cette recherche a pu être appliquée à de divers autres troubles et mènera si tout va bien à la mise en place du logiciel de diagnostic d'AI.

Source:
Journal reference:

Nishimori, M., et al. (2021) Accessory pathway analysis using a multimodal deep learning model. Scientific Reports. doi.org/10.1038/s41598-021-87631-y.