L'algorithme correspond aux cardiologues humains dans la détection des crises cardiaques

Un infarctus du myocarde, ou crise cardiaque, survient lorsque l'apport sanguin au muscle cardiaque est interrompu de façon permanente par un blocage quelconque. Le traitement consiste soit à élargir l'artère incriminée avec un ballonnet ou un stent pour permettre au sang de circuler à nouveau, soit à contourner entièrement le blocage avec un pontage coronarien.

Quoi qu'il en soit, l'intervention doit être opportune et un diagnostic rapide peut faire une énorme différence. Dans l'environnement souvent chaotique d'une salle d'urgence, cependant, les signes d'une crise cardiaque ne sont pas rares et les conséquences sont profondes.

Ainsi, un moyen automatisé de repérer avec précision et fiabilité les signes révélateurs serait un pas en avant significatif. Mais malgré de nombreuses recherches dans ce domaine, les systèmes de surveillance cardiaque automatisés sont nettement moins fiables que les cardiologues qualifiés.

Aujourd'hui, cela semble sur le point de changer grâce aux travaux de Nils Strodthoff à l'Institut Fraunhofer Heinrich Hertz de Berlin et de Claas Strodthoff au Centre médical universitaire Schleswig-Holstein à Kiel, tous deux en Allemagne. Ces gars-là ont développé un réseau neuronal qui peut repérer les signes d'infarctus du myocarde, et ils disent que la machine correspond pour la première fois aux performances des cardiologues humains.

Tout d'abord, un peu de contexte. L'un des meilleurs moyens de diagnostiquer une crise cardiaque consiste à utiliser un électrocardiographe pour mesurer la puissance électrique du cœur. Un ECG standard enregistre le signal électrique de 12 dérivations différentes reliées à différentes parties du corps du patient.

Ces signaux révèlent le comportement électrique du cœur de diverses manières. Les cardiologues savent depuis longtemps que les signaux de certaines de ces dérivations sont plus utiles pour le diagnostic que d'autres lorsqu'il s'agit de crises cardiaques.

Mais interpréter les données est difficile. Un clinicien doit d'abord déterminer une sorte de signal de base, ignorer tout bruit ou donnée corrompue, puis isoler les battements de cœur individuels. Le clinicien recherche ensuite des intervalles de temps et des valeurs de tension prédéfinis ou détectés automatiquement pour chaque battement.

Enfin, il ou elle doit identifier les caractéristiques appropriées du rythme cardiaque et classer la condition en conséquence. Le processus de classification est encore compliqué par la présence d'un signal appelé élévation ST. Les patients avec ce signal doivent être traités dès que possible, tandis que ceux qui n'en ont pas nécessitent d'autres tests chronophages.

Aucune de ces étapes n'est facile. En effet, ils sont tous rendus plus difficiles par des battements cardiaques irréguliers ou inhabituels, par le bruit et par la corruption de données, qui sont tous courants dans un environnement de salle d'urgence.

Il n'est donc peut-être pas surprenant que dans tout ce chaos, les humains surpassent considérablement les machines.

Mais ces dernières années, les réseaux de neurones ont fait des progrès significatifs dans les problèmes de reconnaissance de formes tels que l'identification des visages et des objets. Il existe donc un intérêt significatif à appliquer ces techniques aux données médicales où la reconnaissance des formes est également l'objectif.

C'est exactement ce que Strodthoff et Strodthoff ont fait avec une base de données de 148 enregistrements ECG de patients atteints d'infarctus du myocarde et de 52 témoins sains. Ils ont utilisé une technique de fenêtre glissante pour fournir des données à un réseau de neurones. Chaque fenêtre comprenait au moins trois battements de cœur.

L'équipe a utilisé 90 % des données pour former un réseau de neurones afin de détecter les signes d'une crise cardiaque.

Le reste des données a été utilisé pour tester le réseau, avec des résultats intéressants. L'architecture proposée bat les approches de pointe actuelles sur cet ensemble de données et atteint un niveau de performance similaire à celui des cardiologues humains pour cette tâche, disent Strodthoff et Strodthoff.

De plus, les machines ont tendance à s'appuyer de préférence sur les données des mêmes pistes sur lesquelles les cardiologues humains ont appris à s'appuyer.

Ce résultat impressionnant montre le potentiel des machines intelligentes pour améliorer considérablement les soins de santé. Mais ce n'est pas parfait, bien sûr.

Un problème potentiel est que l'ensemble de données utilisé ici est relativement petit. Les algorithmes d'apprentissage automatique nécessitent généralement d'énormes ensembles de données annotées pour bien apprendre. La création de plus grands ensembles de données des enregistrements de crise cardiaque prendra du temps et sera difficile. Mais ce n'est qu'avec de plus grands ensembles de données que les cliniciens peuvent être sûrs que les algorithmes seront précis dans le large éventail d'environnements chaotiques dans lesquels les médecins travaillent.

Mais le potentiel est énorme. Les machines peuvent soulager une partie de l'ennui et de la complexité de la médecine pour les médecins humains, et le faire sans se fatiguer. Et l'approche développée par Strodthoff et Strodthoff est génériquement applicable à tous les problèmes de classification de séries chronologiques de données brutes provenant d'appareils tels que les ECG et les EEG, qui abondent en médecine. Donc d'autres applications sont possibles

Ce qui signifie qu'il ne faudra sûrement pas longtemps avant que la plupart d'entre nous soient diagnostiqués, au moins en partie, par des machines.

Réf : arxiv.org/abs/1806.07385 : Détecter et interpréter les infarctus du myocarde à l'aide de réseaux de neurones entièrement convolutifs

cacher