帝国理工：如何用 AI 解决 80% 专科医生担忧的心律装置移植手术难题

数据集总共包括来自1575名患者的1676张不同设备的图像。尽管有66种不同的设备型号，但其中一些在视觉上是无法区分的，这可能只是设备中软件的变化。型号组共有45个，其中278张X光图像来自便携式设备，其余1398台为部门AP/PA片。

测试集45种型号中每种型号由5个样本组成，总共225个样本。

(左)条形图显示了识别5个人类报告者和神经网络中的设备制造商的比较准确性。p值是指中位数和最佳人类评分之上的神经网络的优越性。(右)混淆矩阵显示网络在预测正确的设备制造商时的准确性。BIO = Biotronik; BOS = Boston Scientific; MDT =美敦力; SOR =索林; STJ = St. Jude。

阶段1：不同神经网络架构的性能比较

对于所有的网络模型，经过阶段1的训练后，网络的性能都达到了一个稳定状态，损失函数也下降到一个平稳水平。VGGNet的准确率为4.4%，Xception的准确率为91.1%。

第一阶段的结论是为第2阶段选择Xception架构打下基础，并预先指定训练的epoch为15。然后第二阶段从一个全新的Xception神经网络开始，使用1451张完整的训练集进行训练。最后，使用第二阶段生成的最终神经网络对“测试集”数据进行测试验证。

阶段2： “测试集”验证神经网络性能

最终的神经网络识别设备制造商的准确率为99.6%，对应的F1得分为0.996。性能如图1所示。唯一错误分类的图像是Medtronic Adapta设备被误认为Sorin Reply设备。

不可避免地，识别模型组(而不仅仅是制造商)的性能较低，准确率为96.4% (95% CI: 93.1 ~ 98.5)， F1评分为0.964分。值得注意的是，在其中的8个预测中，正确的型号是前3个预测中的1个。因此，通常描述为“前3名”的准确率为99.6% (95% CI: 97.5到100.0)。

便携式X光图像的型号识别准确率为89.5% (95% CI: 75.2 - 97.1)，而部门X线图像的准确率为97.9% (95% CI: 94.6 - 99.4)(两组间差异p = 0.029)。然而，唯一的制造商分类错误是部门X光图像。起搏器组准确率为95.0% (95% CI: 90.4 - 97.8)，ICDs组准确率为96.4% (95% CI: 87.5 - 99.6%)(两组间差异p = 1.00)，准确率在不同厂家之间差异不显著(p = 0.954)。

与医学专家的性能进行比较

五名心脏病专家使用CaRDIA-X算法对5家制造商的225张测试集图像进行分类。他们的准确率从62.3%到88.9%不等，平均准确率为72.0%，神经网络的准确率显著高于专家。

可视化分析

在另一项探索性分析中，我们对测试集中的每张图像都生成了特征图，显示它们所描述的心率仪的最大特征，就类似于临床医学中疾病的病征。

图3显示了包含2个不同型号的4幅图像，图4表明AT500设备的特征映射，显示围绕该设备特有的环形电路板组件。

讨论

这是首次利用人工智能从X光图像中识别心律装置的研究。该神经网络在识别设备制造商方面具有更高的准确性。对于从未见过的图像，该网络识别设备制造商的准确率为99.6%，对应的专家识别准确率为62.3%到88.9%。

临床应用

（编辑：西安站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!