發布日期：2018-03-15

　　在美國，每天有2000多名患者心臟病發作，其中超過400人未能及時接受治療。當有物體阻塞了向心臟供血的動脈時，就會導致心臟病發作。如果沒有血液，心臟會因沒有必需的養分而無法正常運作，開始出現衰竭現象。病人等待治療的時間越長，就越可能對心臟造成不可挽回的損傷。因此，對心臟病進行及時檢測和治療，成為了挽救患者生命的關鍵。

　　雖然研究人員在心臟病發作檢測方面已經取得了一些進展，但其檢測的基本方法與一個世紀前并沒有任何差別。目前，醫生普遍使用于20世紀初研發的心電圖（ECG）來監測心臟的電活動。根據心臟病發作的位置和嚴重程度，ECG的某些區域可能會出現變化。然而，這些變化很小且不穩定，并且只包括心臟所有電信號的一小部分。隨著科學技術的發展，研究人員已經將不同的信號處理方式和其他復雜的數學操作應用于心電圖中，但這些處理方式仍然無法表現出每個人心臟的差異。

　　就像所有人的指紋都各不相同一樣，每個人的心臟形狀和搏動力度也略有不同，這導致自己的心電圖信號也不同于其他人。更何況，安放在身體表面檢測設備和心臟之間的空間可能因患者的體重、性別和身體類型而大不相同。所有的這些變化導致自動化系統很難對在某一時刻的心臟狀況進行預測。為了解決這一難題，我們需要研發一個新系統，可以根據每個人獨特的心臟形狀和信號進行調整，從而檢測是否有心臟病發作。

　　為了改進心電圖測量技術，研究團隊利用計算機科學的最新成果機器學習技術來“教”計算機讀取心電信號。結合機器學習技術之后，心電圖可以告訴我們比以前更多的有關心臟的信息。

　　機器學習的工作原理

　　研究人員利用機器學習技術，訓練計算機識別數據集中不易被肉眼識別出來的特征。研究人員給計算機提供了多組具有不同特征的分類數據，讓計算機“學習”數據集中的那些決定數據分類的特征。計算機檢測到的這些特征通常非常細小且復雜，并且可能難以被肉眼區分。一旦計算機了解了不同類別的對應特征，它就可以應用這些知識來確定新數據集所屬的類別。

　　我們如何應用機器學習？

　　猶他大學的科學計算和成像研究所（The Scientific Computing and Imaging Institute, SCI）在生物醫學計算和可視化方面處于世界領先地位。SCI研究所的總體研究目標是創建新的科學計算技術、工具和系統，從而為生物醫學、科學和工程領域的許多重要問題提供解決方案。同時，SCI研究所也致力于利用現代計算的強大功能和通用性來推動各個領域的進步。

　　SCI研究所的研究人員已經開始使用機器學習來檢測心臟信號的變化，而這些心臟信號可以反映出心臟病發作的最初特征。研究人員將電信號從心臟中隔離出來，并在模擬心臟病發作之前、期間和之后檢查信號變化。然后，計算機將會讀取這些信號，并將數據分為“有心臟病發作”和“沒有心臟病發作”這兩個類別。計算機可以更快地確定心臟病發作的開始時間，和人類相比速度提升了10%。同時，計算機在檢測心臟病發作的早期跡象時，其精確度也比人類提高了32％。

　　心臟病檢測的未來

　　利用機器學習幫助醫生進行心臟病檢測，可以推動心臟病學領域的發展。心臟病是人們生活中遇到的最惡劣的疾病之一，醫生會使用人工智能和機器學習等更先進的技術來檢測和幫助治療這一疾病。對于那些因遺傳或環境因素而有患有心臟病發作風險的患者，也可以使用這種技術進行檢測。這項研究提供了一種了解和檢測心臟病發作的新方法，甚至可能降低心臟病發作的死亡率。

　　我們希望，未來機器學習技術可以被應用到更多疾病的檢測和診斷中，從而讓更多的患者從中受益。

　　參考資料：

[1] Machine learning could improve how doctors diagnose heart attacks

來源：藥明康德