0
雷鋒網按：這篇文章的作者是Wilson W. Good和Brian Zenger。Wilson W. Good是一名博士生研究員，同時任職于SCI和CVRTI（諾拉·艾克爾斯心血管研究和培訓中心）。Brian Zenger則是SCI、CVRTI和猶他大學心血管疾病學院的一名醫學博士/博士研究生。
一天，你正像往常一樣在家里工作，忽然一陣疼痛襲來。你的胸口開始抽痛，左臂也開始疼痛。你毫不猶豫地沖向醫院，擔心自己最害怕的事情發生——你的心臟病發作了。剛到醫院，醫生、護士和其他醫務人員就開始緊鑼密鼓地檢查、探測和刺激你身體的每一個部位。檢查和測試令你目不暇接，醫務人員大聲叫嚷，指揮新的檢查項目和其他團隊成員。急診醫生盯著你床邊的監視器仔細觀察，卻對檢查結果一頭霧水。于是，他們只好向心臟病專家請教，只不過這位心臟病專家是一臺電腦，而不是一個人。
在美國，每天都有2000多人心臟病發作，其中超過400人沒有得到及時的救治。當物質堵塞向心臟供血的動脈時，心臟病就會發生。缺少血液，心臟就無法獲得必要的營養維持正常運轉，它開始慢慢衰竭。病人等待治療的時間越長，疾病就越有可能對心臟造成無法挽回的傷害。盡管過去一個世紀，研究人員在心臟病的檢測方面取得了許多進展，但其原理和一個世紀前并無二致。迄今為止，醫生們仍在使用和20世紀初一樣的心電圖來監測心臟的電活動。根據心臟病的不同發作部位和嚴重程度，心電圖的某些區域會產生變化。但這種變化是非常細微的，不夠可靠，而且只包括了心臟全部電信號中的一小部分。
研究人員在心電圖中運用了許多不同的信號處理方法，和其他復雜的數學運算。但這些并不足以抵消不同個體心臟間的差異。
就像指紋一樣，每個人心臟的形狀和跳動的強度都有所不同，因此產生的靜式心電圖也是獨一無二的。更不用說，心臟和身體表面的記錄裝置之間的空間，隨著體重、性別和體型不同而產生的巨大差異。這些導致自動化系統難以預測你獨特的心臟在特定時間點發生了哪些變化。因此我們需要一個新的系統，這個系統要能夠根據你獨特的心臟形狀和信號判斷你是否患有心臟病。
雷鋒網注：上圖中，不同顏色代表某個時間點分布在身體表面的心電電壓值。其中，左邊展示的是健康狀態下的體表電壓；右邊展示了患心臟病時的體表電壓。右邊軀干表面的紅圈則對應了臨床醫生通常診斷心臟病時尋找的標志。
為了改善心電圖測量技術，我們團隊利用了計算機科學領域的最新成果來“教”計算機如何讀取心臟電信號。結合了機器學習之后，心電圖能向我們展示的有關心臟的信息，比以往任何時候都要多。
機器學習是研究人員用來教計算機識別數據集中獨特特征的一種技術，它識別的這些特征是肉眼難以分辨的。研究人員為計算機提供了多套不同特征的分類數據，然后讓它學習到底是哪些特征把這些數據劃分成了不同的類別。計算機檢測到的特征往往是微妙和復雜的，人類難以區分。一旦計算機知道了哪些特性對應著不同的類別，它就能用這些知識對新的數據集進行分類。
猶他大學的科學計算與成像研究所（簡稱SCI）是生物醫學計算和可視化領域的領軍者。SCI研究所有17名全職教師和大約200名學生、程序員和員工，其中一些還隸屬于生物工程、計算、數學和物理系。SCI研究所的首要研究目標是創建新的科學計算技術、工具和系統，以解決生物醫學、科學和工程方面的重要問題。SCI研究所還被評為“英偉達GPU卓越中心”，它致力于用現代計算的強大力量和多樣性來推動各個領域的發展和進步。
我們用機器學習來檢測能第一時間預測心臟病的心臟信號變化。我們的方法是把來自心臟的電信號分離出來，模擬心臟病發作，并檢查模擬前、模擬中和模擬后的電信號變化。然后讓計算機讀取這些信號，將它們分成“有心臟病”和“沒有心臟病”兩個類別。和人類觀察者相比，計算機診斷心臟病的速度提高了10%，準確率也提高了32%。機器學習算法發現的每一個額外的信號都有可能避免誤診。
使用機器學習幫助醫生診斷心臟病，正在推動心臟病學領域的發展。醫生和醫護人員很快就能有更好的工具來檢測和治療心臟病了，這可是生活中最可怕的疾病之一。這一工具甚至還能幫助那些因為基因或環境因素，具有心臟病高發風險的人群。這項研究或許能為醫務人員了解和診斷心臟病提供一種新的途徑，甚至讓心臟病導致的死亡成為歷史。
如果你曾經因為胸口疼痛去看過醫生，不妨留意一下他的助手是誰，很有可能只是一臺電腦。
via venturebeat 雷鋒網編譯
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
