A Study on Prediction of Occurrence of Atrial Fibrillation Using Deep Neural Network.

使用深度神经网络预测心房颤动发生的研究。

• 批准号: 22K18001
• 负责人: 野中 尚輝
• 金额: $ 2.83万
• 依托单位: Institute of Physical and Chemical Research
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Early-Career Scientists
• 财政年份: 2022
• 资助国家: 日本
• 起止时间: 2022-04-01 至 2025-03-31
• 项目状态: 未结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-22K18001/
• 关键词: 心電図; 深層学習; 心房細動; 発生予測

本研究では、心電図を用いた深層学習による心房細動の発生予測の手法について、研究実施計画に記した令和4年度の計画に沿って研究を進め、研究成果をもとに特許を取得した。実施した具体的な内容としては、まず公開データセット（CPSC-2018データセット）を用いて与えれらた心電図が心房細動かの分類を行う深層学習モデルを学習した。続いて、一般公開された集中治療室の入院記録の大規模なデータセット（MIMIC-III）に含まれる心電図のデータに対して、学習した分類モデルを適用し、心房細動の状態か正常な状態かの分類を行った。このデータから一定時間の正常な心電図が記録されたのち心房細動が発生する心電図または一定時間の正常な心電図が記録され続ける心電図を分類モデルを用いて特定した。さらに特定したそれらの心電図データを用いて心房細動の発生を予測する深層学習モデルの学習をおこなった。学習した予測用モデルをMIMIC-IIIとは異なるデータセットに適用し、予測モデルが1分後に心房細動を発生する正常な心電図と正常な状態が継続する心電図を判別できるか検証した。本研究課題の目的である、心房細動の発生を予測する深層学習モデルの構築には、モデルを学習するためのデータセットが不可欠である。しかし、予測モデルの学習用データセットに必要なデータ全てを専門家が確認することはコストがかかる。本年度の研究成果により、予測用データセットの構築にかかるコストを削減することが可能になり、今後の予測モデルの構築に向けて重要な布石となると考えられる。

This study で は, ecg 図 を with い た deep learning に よ る atrium fine dynamic の 発 の born to test technique に つ い て, research be plan に remember し た make and 4 year の plan に along っ て を め, research results を も と に charter を obtain し た. Be applied し た specific な content と し て は, ま ず public デ ー タ セ ッ ト (the CPSC - 2018 デ ー タ セ ッ ト) を with い て and え れ ら た ecg 図 が atrium fine dynamic か の classification line を う deep learning モ デ ル を learning し た. 続 い て, general public さ れ た focus therapy の hospital records の large-scale な デ ー タ セ ッ ト (MIMIC - III) contains に ま れ る ecg 図 の デ ー タ に し seaborne て, learning し た classification モ デ ル を applicable し, atrium fine の か な normal state か の classification line を っ た. こ の デ ー タ か ら certain time の な normal ecg 図 が record さ れ た の ち atrium fine dynamic が 発 raw す る ecg 図 ま た は time の な normal ecg 図 が record さ れ 続 け る ecg 図 を classification モ デ ル を with い て specific し た. さ ら に specific し た そ れ ら の ecg 図 デ ー タ を with い て atrium fine dynamic の 発 raw を be す る deep learning モ デ ル の learning を お こ な っ た. Learning し た to measure with モ デ ル を MIMIC - III と は different な る デ ー タ セ ッ ト に し, be モ デ ル が に atrium fine after 1 minute, dynamic を 発 raw す る な normal ecg 図 と normal な が 継 続 す る ecg 図 を discriminant で き る か 検 card し た. The purpose of this research topic の で あ る, atrium fine の 発 raw を be す る deep learning モ デ ル の build に は, モ デ ル を learning す る た め の デ ー タ セ ッ ト が not owe で あ る. し か し, be モ デ ル の learning with デ ー タ セ ッ ト に necessary な デ ー タ full て を 専 door home が confirm す る こ と は コ ス ト が か か る. Research achievements this year の に よ り, be デ ー タ セ ッ ト の build に か か る コ ス ト を cut す る こ と が may に な り, future の be モ デ ル の build に to け て important な cloth stone と な る と exam え ら れ る.

项目成果

予測装置、予測方法及びプログラム

预测装置、预测方法及程序

• 发表时间: 2020