基于機器學習精確揭示心律不齊的原因

　　近日，Skoltech研究所的科學家們設計了一種新的基于機器學習的方法，用于檢測“心房顫動驅動器”，即被認為會導致最常見類型的心律不齊的心肌小斑塊。據美國心臟協會稱，這種方法可能導致更有效的針對性醫療干預，以治療估計影響全球3300萬人的疾病。

　　心房顫動（AF）的背后機制尚不清楚，AF是一種異常的心律，與心力衰竭和中風的風險增加有關。研究表明，它可能是由折返性房顫驅動引起的，并導致房顫反復發作，這是導致重復性心律失常的高度局部原因。目前針對這種癥狀可以通過外科手術處理以減輕病情，甚至恢復心臟的正常功能。

（圖片來源： Pavel Odinev / Skoltech）

　　為了找到這些可折返的AF驅動器以進行后續處理，醫生使用了多電極映射技術，該技術使他們能夠記錄心臟內部的多個電描記圖（通過導管完成）并在心房內建立電活動圖。但是，這種技術的臨床應用通常會在找不到現有的AF駕駛員時產生很多假陰性，而在檢測到真正沒有驅動器的情況下會產生很多假陽性。

　　最近，研究人員利用機器學習算法來解釋ECG以尋找房顫。但是，這些算法需要帶有驅動器真實位置的標記數據，并且多電極映射的準確性不足。這項新研究的作者是由Skoltech計算與數據密集型科學與工程中心（CDISE）的Dmitry Dylov和俄亥俄州立大學的Vadim Fedorov共同牽頭的，他們使用了高分辨率近紅外光學映射（NIOM）找到自動對焦驅動器并堅持使用它作為培訓參考。

　　“ NIOM基于穿透力強的紅外光信號，因此可以記錄心肌內的電活動，而傳統的臨床電極只能測量表面上的信號。此外，該特性還具有出色的光學分辨率和光學映射如果您想可視化并了解電信號在心臟組織中的傳播。” Dmitry Dylov說。

　　該團隊在十一只被植入人體的心臟上測試了他們的方法，這些心臟都是為研究目的而死后捐贈的。研究人員同時對心臟中誘發的AF發作進行了光學和多電極映射。 ML模型的確可以從多電極映射中有效地解釋電描記圖，以定位AF驅動器，其準確性高達81％。他們認為，經過NIOM驗證的更大的訓練數據集可以改善基于機器學習的算法，足以使其成為臨床實踐中的補充工具。