由吴恩达领导的斯坦福大学机器学习小组，研发出一种新的深度学习算法，可以诊断14种类型的心律失常。吴恩达表示，机器学习模型可以比专家更精确的诊断心律失常。
这项研究可能是机器学习彻底改变医疗行业的最新标志之一。近年来，研究人员已经表明，机器学习技术可用于从医学图像中发现各种疾病，包括例如乳腺癌，皮肤癌和眼病。
研究人员表示：“心律信号的差异可能非常微妙，但对于患者如何选择检测方式有巨大的影响。“例如，二度房室传导阻滞的两种形式的心律失常，看起来非常相似，但是一种不需要治疗，而另一种则需要立即治疗。
▍心律诊断
机器小组训练了一种深入学习算法，以识别ECG（心电图）数据中不同类型的不规则心跳。有些不正常现象可能导致严重的健康并发症，包括心源性猝死，但信号难以检测，因此患者经常被要求佩戴ECG传感器数周。
△斯坦福大学的研究人员从ECG数据中，抽取识别约30,个30秒的样本数据
研究人员与iRhythm（一家制造便携式ECG设备的公司）合作，他们从各种心律失常患者中收集了3万个30秒的ECG数据。
为了测试算法的准确性，研究人员给了一组个未确诊的ECG数据，并由三名心脏病专家组成小组来会诊。使用这些带标注的数据，该算法可以预测这些心脏病专家将如何标记其所呈现的其他ECG的结果，实质上给出诊断。
深度学习将大量数据馈入大型模拟神经网络，并对其参数进行微调，直到其准确识别出有问题的ECG信号。该方法已经被证明能够识别图像和音频中的复杂模式，并且并在大多数情况下胜过心脏病专家。
研究人员认为，这种算法有助于使心脏病学家对于心律失常的诊断和治疗，更容易被无条件问诊心脏病专家的患者带来帮助。吴恩达认为这只是深度学习提高患者健康质量的众多机会之一，能帮助医生节省出时间。
▍论文详解
研究小组开发出一种可以诊断不规则心律（也称为心律失常）的模型，通过single-leadECG信号来诊断心律失常。
超越专家的关键是一个深度卷积网络，可以将一系列ECG样本映射到一系列心律失常数据中，以及比之前同类数据库大两个数量级的新型数据集。
研究小组训练了一个34层卷积神经网络（CNN）来检测任意长度心电图时间序列的心律失常。
网络以原始ECG信号的时间序列作为输入，并输出一系列标签预测。30秒长的ECG信号在Hz采样，模型每秒输出一次新的预测。我们输入一个33层卷积的结构，然后是完全连接的层和softmax。
为了优化这样一个深层次的模型，我们使用残差连接和批量归一化。深度增加了计算的非线性以及每个分类决策的上下文窗口的大小。
研究小组从名患者收集并标记了例心电图记录数据。
ECG数据以Hz的频率进行采样，并从single-lead，无创和连续监测装置采集，称为ZioPatch（iRhythmTechnologies），其耐磨时间长达14天。
训练集中的每个ECG记录长30秒，可以包含多个节奏类型。每个记录由临床心电图专家注释：专家突出信号的部分，并将其标记为对应于14个节奏类别之一。
我们从名独特患者收集了一组条的记录。对于测试集，每个记录的实地注释由三名董事会认证的心脏病专家委员会监督;有三个委员会负责测试集的不同分割。心脏病学家将每个个体记录作为一组进行讨论，并达成共识。对于测试集中的每个记录，我们还从不参加该组的心脏病专家中收集6个单独标记。
最常见的混淆之一是，异位心房节律（EAR）和窦性心律（SINUS）之间。这种心跳节奏的主要区别标准是不规则的P波。特别是当P波具有小幅度或信号中存在噪声时，这可能是微妙的。
类似地，室上性心动过速（SVT）和心房颤动（AFIB）经常与心房扑动（AFL）混淆，因为它们都是心房心律失常，这是可以理解的。室性心律失常（IVR）有时被误认为是心室性心动过速（VT）。
鉴于临床每年记录超过3亿次心电图，心电图的高精度诊断可以节省专家临床医生和心脏病专家的时间，减少误诊次数。此外，我们希望这种技术加上低成本心电图设备，能够成为心律失常诊断的常用工具。
详情：