JP2022523835A - 心房細動予測モデル及びその予測システム - Google Patents
心房細動予測モデル及びその予測システム Download PDFInfo
- Publication number
- JP2022523835A JP2022523835A JP2021552900A JP2021552900A JP2022523835A JP 2022523835 A JP2022523835 A JP 2022523835A JP 2021552900 A JP2021552900 A JP 2021552900A JP 2021552900 A JP2021552900 A JP 2021552900A JP 2022523835 A JP2022523835 A JP 2022523835A
- Authority
- JP
- Japan
- Prior art keywords
- atrial fibrillation
- value
- long
- gate
- prediction model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 206010003658 Atrial Fibrillation Diseases 0.000 title claims abstract description 213
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 62
- 230000007787 long-term memory Effects 0.000 claims description 48
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 44
- 230000015654 memory Effects 0.000 claims description 42
- 230000006403 short-term memory Effects 0.000 claims description 40
- 230000008859 change Effects 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000007774 longterm Effects 0.000 claims description 16
- 230000002457 bidirectional effect Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 208000006011 Stroke Diseases 0.000 description 50
- 238000010586 diagram Methods 0.000 description 16
- 230000002159 abnormal effect Effects 0.000 description 14
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 12
- 238000000034 method Methods 0.000 description 12
- 238000012360 testing method Methods 0.000 description 12
- 201000010099 disease Diseases 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000002372 labelling Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 6
- 208000005189 Embolism Diseases 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 208000035475 disorder Diseases 0.000 description 4
- 238000004880 explosion Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000004393 prognosis Methods 0.000 description 4
- 230000002792 vascular Effects 0.000 description 4
- 206010061592 cardiac fibrillation Diseases 0.000 description 3
- 230000002600 fibrillogenic effect Effects 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 206010007559 Cardiac failure congestive Diseases 0.000 description 2
- 206010019280 Heart failures Diseases 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 2
- 208000010378 Pulmonary Embolism Diseases 0.000 description 2
- 208000001871 Tachycardia Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 230000003073 embolic effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229940028444 muse Drugs 0.000 description 2
- 208000010125 myocardial infarction Diseases 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- GMVPRGQOIOIIMI-DWKJAMRDSA-N prostaglandin E1 Chemical compound CCCCC[C@H](O)\C=C\[C@H]1[C@H](O)CC(=O)[C@@H]1CCCCCCC(O)=O GMVPRGQOIOIIMI-DWKJAMRDSA-N 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- 230000001020 rhythmical effect Effects 0.000 description 2
- 230000006794 tachycardia Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/30—Input circuits therefor
- A61B5/307—Input circuits therefor specially adapted for particular uses
- A61B5/308—Input circuits therefor specially adapted for particular uses for electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/361—Detecting fibrillation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/25—Bioelectric electrodes therefor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Cardiology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
心房細動予測システムを提供する。心電図捕捉ユニットと、処理ユニットによって実行される時、予測結果を取得するためのプログラムが記憶される非一時的機械可読媒体と、を備え、前記プログラムは、参照データベース取得モジュールと、参照特徴選択モジュールと、トレーニングモジュールと、目標特徴選択モジュールと、比較モジュールと、を含む心房細動予測システム。これにより、前記心房細動予測システムは、被験者の脳卒中の発生確率を予測することに使用することができる。
Description
本発明は、医療情報分析モデル及びシステムに関し、特に、心房細動予測モデル及び心房細動予測システムに関する。
心房細動（ａｔｒｉａｌ ｆｉｂｒｉｌｌａｔｉｏｎ）は、心臓内でリズム信号の機能が異常となるため、心拍が不規則でしばしば頻脈になる病気であり、毎分当たりの心拍が３５０回にも達する。心房細動は最も一般的な心調律障害であり、全人口にわたって、平均で１００人に１人が心房細動を罹患し、加齢に伴って、心房細動を罹患している割合が増加する。６０歳以上では、１００人に４人が心房細動を罹患するが、８０歳以上では、１０人に１人が心房細動を罹患する。２０１０年に、世界中で３３５０万人が心房細動を罹患していると予想され、これに加えて、症状がないので診断されていない潜在的な患者が多数いる可能性がある。２０５０に、アジアの心房細動の患者数は、７２００万人にも達すると予想される。
心房細動の患者は、一般な方よりも、脳卒中、肺塞栓症及び末梢血管塞栓症を含む血栓梗塞症を発症するリスクが５倍ある。過去の研究では、心房細動を罹患している患者の中で、発作性心房細動を患う患者は持続性心房細動を患う患者よりも脳卒中の発生率が低いが、発作性心房細動を患う患者よりも持続性心房細動を患う患者は予後が悪く、２回目の脳卒中を伴うリスクも高いため、心房細動の発作形態は、脳卒中とは相関が高いことが示されている。このため、２０５０年に、アジアの心房細動による脳卒中患者は、２９０万人にも達すると予想される。持続性心房細動を患う患者は、発作性心房細動を患う患者よりも高い脳卒中発生率を有し、脳卒中の予後も悪い。臨床的には、主にＣＨＡ２ＤＳ２－ＶＡＳｃ ｓｃｏｒｅで心房細動患者の脳卒中リスクを評価し、ＣＨＡ２ＤＳ２IVＡＳｃ ｓｃｏｒｅの評価リストとしては、年齢、性別、及び梗塞性疾患、高血圧、うっ血性心不全、糖尿病及び血管性疾患等の合併症を含み、ＣＨＡ２ＤＳ２－ＶＡＳｃ ｓｃｏｒｅが増加するにつれて、血管栓塞が発生するリスクも徐々に向上するが、これまで、心房細動患者の心電図特性と脳卒中との相関性については検討されていない。
心電図は、例えば、日中の発作頻度や形態等の心房細動の情報を提供するが、そのデータが膨大であるため、手動で段階的に分析することはできないため、従来の技術では、大量のデータを効率的に分析することができ、且つ臨床上で医師により被験者が心房細動及び脳卒中の患者となる可能性があるかを更に判断するように支援して、検出の精度を向上させる点で不足である。
これに鑑みて、本発明は、被験者が心房細動を患っているかを客観的且つ正確に判断でき、脳卒中の発生確率を更に予測して、医師の臨床上の判断を支援することができる心房細動予測モデル及び心房細動予測システムを提供することを目的とする。
本発明の一態様は、心房細動予測モデルであって、その確立ステップとして、複数の参照１２誘導心電信号数列を含む参照データベースを取得するステップと、参照データベースに基づいて、計算ユニットによって参照１２誘導心電信号数列におけるピークツーピーク時間差を計算することで得られた心電信号の曲率変化が最も大きくなる画像間隔を含む少なくとも１つの特徴値を選択する特徴選択ステップと、長短期記憶ユニット（Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ；ＬＳＴＭ）によって心電信号の瞬時値を記憶し、前記特徴値と前記心電信号の瞬時値との相関性を計算し、前記相関性が第１の所定閾値を超えると、前記長短期記憶ユニットを更新するが、トレーニングが収束に到達すると、心房細動予測モデルを取得することで、所定の結果を取得するトレーニングステップと、を備える心房細動予測モデルを提供する。
前記の心房細動予測モデルによれば、前記長短期記憶ユニットは、双方向長短期記憶ユニット（Ｂｉ－ｄｉｒｅｃｔｉｏｎａｌ Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ；Ｂｉ－ｄｉｒｅｃｔｉｏｎａｌ ＬＳＴＭ）であってよい。
前記の心房細動予測モデルによれば、長短期記憶ユニットは、曲率変化の過大な心電信号の瞬時値をフィルタリングして、入力値を取得する忘却ゲート（Ｆｏｒｇｅｔ Ｇａｔｅ）と、前記入力値を入力して、Ｓｉｇｍｏｉｄ関数によって前記相関性を計算する入力ゲート（Ｉｎｐｕｔ Ｇａｔｅ）と、前記相関性をＳｉｇｍｏｉｄ関数で計算して出力値を取得し、出力値が第２の所定閾値を超えると、出力値を前記長短期記憶ユニットに加える出力ゲート（Ｏｕｔｐｕｔ Ｇａｔｅ）と、を更に含んでよい。
前記の心房細動予測モデルによれば、前記忘却ゲート、前記入力ゲート及び前記出力ゲートは、双方向の直列接続であってよい。
前記の心房細動予測モデルによれば、前記第１の所定閾値及び前記第２の所定閾値は、ｔａｎｈ関数によって決められてよい。
本発明の別の態様は、目標１２誘導心電信号数列を取得するための心電図捕捉ユニットと、少なくとも１つの信号により前記心電図捕捉ユニットに接続され、少なくとも１つの処理ユニットにより実行される時、予測結果を取得するためのプログラムを記憶するための非一時的機械可読媒体と、を備え、前記プログラムは、複数の参照１２誘導心電信号数列を含む参照データベースを取得するための参照データベース取得モジュールと、参照データベースに基づいて、計算ユニットによって参照１２誘導心電信号数列におけるピークツーピーク時間差を計算することで得られた心電信号の曲率変化が最も大きくなる画像間隔を含む少なくとも１つの参照特徴値を選択するための参照特徴選択モジュールと、心電信号の瞬時値を記憶し、前記特徴値と前記心電信号の瞬時値との相関性を計算することに使用され、前記相関性が第１の所定閾値を超えると、前記長短期記憶ユニットを更新するが、トレーニングが収束に到達すると、心房細動予測モデルを取得する長短期記憶ユニット（Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ；ＬＳＴＭ）を含むトレーニングモジュールと、前記目標１２誘導心電信号数列を分析して、別の計算ユニットによって目標１２誘導心電信号数列におけるピークツーピーク時間差を計算することで得られた目標心電信号の曲率変化が最も大きくなる画像間隔を含む目標特徴値を取得するための目標特徴選択モジュールと、前記目標特徴値及び前記参照特徴値を前記心房細動予測モデルで分析して比較することで、所定の結果を取得するための比較モジュールと、を含む心房細動予測システムを提供する。
前記の心房細動予測システムによれば、前記長短期記憶ユニットは、双方向長短期記憶ユニット（Ｂｉ－ｄｉｒｅｃｔｉｏｎａｌ Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ；Ｂｉ－ｄｉｒｅｃｔｉｏｎａｌ ＬＳＴＭ）であってよい。
前記の心房細動予測システムによれば、前記長短期記憶ユニットは、曲率変化の過大な心電信号の瞬時値をフィルタリングして、入力値を取得する忘却ゲート（Ｆｏｒｇｅｔ Ｇａｔｅ）と、前記入力値を入力して、Ｓｉｇｍｏｉｄ関数によって前記相関性を計算する入力ゲート（Ｉｎｐｕｔ Ｇａｔｅ）と、前記相関性をＳｉｇｍｏｉｄ関数で計算して出力値を取得し、前記出力値が第２の所定閾値を超えると、前記出力値を前記長短期記憶ユニットに加える出力ゲート（Ｏｕｔｐｕｔ Ｇａｔｅ）を更に含んでもよい。
前記の心房細動予測システムによれば、前記忘却ゲート、前記入力ゲート及び前記出力ゲートは、双方向の直列接続であってよい。
前記の心房細動予測システムによれば、前記第１の所定閾値及び前記第２の所定閾値は、ｔａｎｈ関数によって決められてよい。
以上の本発明の説明は、読者に本開示内容を基本的に理解させるように、本開示内容の簡略化された概要を提供することを意図とする。この発明内容は、本開示内容の完備な概要ではなく、本発明の実施例の重要・大切な素子を指摘し又は本発明の範囲を限定することを意図するものではない。
下記の添付図面についての説明は、本発明の上記や他の目的、特徴、メリット及び実施例をより理解しやすくするためのものである。
本発明の一実施形態による心房細動予測モデルの確立ステップを示すフローチャートである。
本発明の別の実施形態による心房細動予測システムを示すブロック図である。
本発明による心房細動予測モデルの参照データベースのデータラベリングプラットフォームを示す模式図である。
本発明による心房細動予測モデルの長短期記憶ユニットを示すアーキテクチャ模式図である。
本発明による心房細動予測モデルの長短期記憶ユニットを示すアーキテクチャ図である。
本発明による心房細動予測システムの被験者の脳卒中の確率を予測するための受信者動作特性曲線を示すグラフである。 参照記号の説明 １００-心房細動予測モデルの確立ステップ；１１０、１２０、１３０-ステップ；２００-心房細動予測システム；３００-心電図捕捉ユニット；４００-非一時的機械可読媒体；４１０-参照データベース取得モジュール；４２０-参照特徴選択モジュール；４２１、４４１-計算ユニット；４３０-トレーニングモジュール；４３２、６００-長短期記憶ユニット；４４０-目標特徴選択モジュール；４５０-比較モジュール；６１０-入力層；６２０-１次長短期記憶ユニット；６３０-２次長短期記憶ユニット；６４０-３次長短期記憶ユニット；６５０-４次長短期記憶ユニット；６６０-最大プーリング層；６７０-全結合段階層。
以下、本発明の各実施形態をより詳しく検討する。しかしながら、この実施形態は、様々な発明概念の適用であってよく、具体的に様々な異なる特定範囲内で実行されることができる。特定の実施形態は、単に説明するためのものであり、開示の範囲に限定されない。
本発明の一実施形態による心房細動予測モデルの確立ステップ１００を示すフローチャートである図１を参照されたい。本発明の心房細動予測モデルの確立ステップ１００は、ステップ１１０と、ステップ１２０と、ステップ１３０と、を備え、確立された心房細動予測モデルは、被験者の脳卒中の発生確率を予測することに使用することができる。
ステップ１１０は、複数の参照１２誘導心電信号数列を含む参照データベースを取得するものである。更に、参照１２誘導心電信号数列については予備的分類を行ってよく、異常データ及び非異常データに分けてマークを付けて、参照データベースを２つの種類に分ける。
ステップ１２０は、特徴選択ステップを行うものであり、参照データベースに基づいて、計算ユニットによって参照１２誘導心電信号数列におけるピークツーピーク時間差を計算することで得られた心電信号の曲率変化が最も大きくなる画像間隔を含む少なくとも１つの特徴値を選択する。
ステップ１３０は、トレーニングステップを行うものであり、長短期記憶ユニット（Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ；ＬＳＴＭ）によって心電信号の瞬時値を記憶し、前記特徴値と前記心電信号の瞬時値との相関性を計算し、前記相関性が第１の所定閾値を超えると、前記長短期記憶ユニットを更新するが、トレーニングが収束に到達すると、心房細動予測モデルを取得することで、所定の結果を取得する。長短期記憶ユニットは、忘却ゲート（Ｆｏｒｇｅｔ Ｇａｔｅ）、入力ゲート（Ｉｎｐｕｔ Ｇａｔｅ）、出力ゲート（Ｏｕｔｐｕｔ Ｇａｔｅ）を更に含んでもよい。忘却ゲートは、曲率変化の過大な心電信号の瞬時値をフィルタリングして、入力値を取得する。入力ゲートは、前記入力値を入力して、Ｓｉｇｍｏｉｄ関数によって前記相関性を計算する。出力ゲートは、前記相関性をＳｉｇｍｏｉｄ関数で計算して出力値を取得し、出力値が第２の所定閾値を超えると、出力値を前記長短期記憶ユニットに加える。好ましくは、前記忘却ゲート、前記入力ゲート及び前記出力ゲートは、双方向の直列接続であってよく、前記第１の所定閾値及び前記第２の所定閾値は、ｔａｎｈ関数によって決められてよい。前記長短期記憶ユニットは、双方向長短期記憶ユニット（Ｂｉ－ｄｉｒｅｃｔｉｏｎａｌ Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ；Ｂｉ－ｄｉｒｅｃｔｉｏｎａｌ ＬＳＴＭ）であってよい。
前記第１の所定閾値及び第２の所定閾値は、ｔａｎｈ関数によって決められ、ｔａｎｈ関数の出力値は－１～１であり、大量の１２誘導心電信号数列を機械学習の数式に入力して計算された所定値である。心房細動予測モデルのトレーニング過程において、特徴値と心電信号の瞬時値との相関性が第１の所定閾値を超えると、長短期記憶ユニットを更新して、収束に達して、心房細動予測モデルが得られる。相関性が－１に近くなる場合、被験者に心房細動がない確率が高いことを示すが、相関性が１に近くなる場合、被験者に心房細動がある確率が高いことを示す。心房細動予測モデルによって被験者に心房細動があるかを予測する場合、忘却ゲートは、まず、心電信号の瞬時値をフィルタリングして入力値を取得し、入力ゲートを介してＳｉｇｍｏｉｄ関数で計算された相関性を入力し、出力ゲートは前記相関性をＳｉｇｍｏｉｄ関数で計算して出力値を取得し、出力値が第２の所定閾値を超えると、出力値を前記長短期記憶ユニットに加える。出力値が－１に近くなる場合、被験者に心房細動がない確率が高いことを示すが、出力値が１に近くなる場合、被験者に心房細動がある確率が高いことを示す。
本発明の別の実施形態による心房細動予測システム２００を示すブロック図である図２を参照されたい。本発明の心房細動予測システム２００は、心電図捕捉ユニット３００と、非一時的機械可読媒体４００と、を備える。心房細動予測システム２００は、被験者の脳卒中の発生確率を予測することに使用することができる。
心電図捕捉ユニット３００は、被験者の目標１２誘導心電信号数列及び参照１２誘導心電信号数列を取得することに使用される。心電図捕捉ユニット３００は、心電計であってもよい。好ましくは、心電図捕捉ユニット３００は、１０個の電極パッチを含む１２誘導心電計であってもよく、手足に２つ以上の電極パッチを配置し、２つずつに一対で測定し、体表面の１２組の誘導の電位変化を記録し、心電図紙に１２組の誘導信号を描いて、１２誘導心電信号数列を取得する。
非一時的機械可読媒体４００は、少なくとも１つの信号により心電図捕捉ユニット３００に接続され、少なくとも１つの処理ユニットにより実行される時、予測結果を取得するためのプログラムを記憶することに用いられ、前記予測結果は被験者の脳卒中の発生確率である。前記プログラムは、参照データベース取得モジュール４１０、参照特徴選択モジュール４２０、トレーニングモジュール４３０、目標特徴選択モジュール４４０及び比較モジュール４５０を含む。
参照データベース取得モジュール４１０は、複数の参照１２誘導心電信号数列を含む参照データベースを取得することに使用される。更に、参照１２誘導心電信号数列については予備的分類を行ってよく、異常データ及び非異常データに分けてマークを付けて、参照データベースを２つの種類に分ける。
参照特徴選択モジュール４２０は、参照データベースに基づいて、計算ユニット４２１によって参照１２誘導心電信号数列におけるピークツーピーク時間差を計算することで得られた心電信号の曲率変化が最も大きくなる画像間隔を含む少なくとも１つの参照特徴値を選択することに使用される。
トレーニングモジュール４３０は、長短期記憶ユニット４３２を含む。前記長短期記憶ユニット４３２は、心電信号の瞬時値を記憶し、前記特徴値と前記心電信号の瞬時値との相関性を計算することに使用され、前記相関性が第１の予め設定された閾値を超えると、長短期記憶ユニット４３２を更新するが、トレーニングが収束に到達すると、前記心房細動予測モデルを取得する。長短期記憶ユニット４３２は、忘却ゲート、入力ゲート、出力ゲートを更に含んでもよい。忘却ゲートは、曲率変化の過大な心電信号の瞬時値をフィルタリングして、入力値を取得する。入力ゲートは、前記入力値を入力して、Ｓｉｇｍｏｉｄ関数によって前記相関性を計算する。出力ゲートは、前記相関性をＳｉｇｍｏｉｄ関数で計算して出力値を取得し、出力値が第２の予め設定された閾値を超えると、出力値を前記長短期記憶ユニット４３２に加える。好ましくは、前記忘却ゲート、前記入力ゲート及び前記出力ゲートは、双方向の直列接続であってよく、前記第１の所定閾値及び前記第２の所定閾値は、ｔａｎｈ関数によって決められてよい。また、前記長短期記憶ユニット４３２は、双方向長短期記憶ユニットであってよい。
目標特徴選択モジュール４４０は、前記目標１２誘導心電信号数列を分析して、別の計算ユニット４４１によって目標１２誘導心電信号数列におけるピークツーピーク時間差を計算することで得られた目標心電信号の曲率変化が最も大きくなる画像間隔を含む目標特徴値を取得することに使用される。
比較モジュール４５０は、前記目標特徴値及び前記参照特徴値を前記心房細動予測モデルで分析して比較することで、所定の結果を取得することに用いられる。前記所定の結果は、被験者が３～６か月以内に脳卒中を患った確率であり、確率値が０％～１００％であり、医師の診断の支援参照として使用される。
＜試験例＞
一、参照データベース
本発明で使用される参照データベースは、中国医薬大学及び付属病院が２００９／０１／０１～２０１８／１２／３１の病院内の非結合化された被験者の臨床内容を遡及的に収集したものであり、これは中国医薬大学及び付属病院研究倫理委員会（Ｃｈｉｎａ Ｍｅｄｉｃａｌ Ｕｎｉｖｅｒｓｉｔｙ ＆ Ｈｏｓｐｉｔａｌ Ｒｅｓｅａｒｃｈ Ｅｔｈｉｃｓ Ｃｏｍｍｉｔｔｅｅ）により承認された臨床試験計画であり、番号がＣＭＵＨ１０７－ＲＥＣ２－１３４（ＡＲ－１）であった。データとしては、ＧＥ Ｈｅａｌｔｈｃａｒｅ ＭＵＳＥシステムによってキーワードパラメータで検索するように、１２誘導心電信号数列を含む、心房細動や心肌梗塞等の疾患種類を含む患者の心電図（Ｅｌｅｃｔｒｏｃａｒｄｉｏｇｒａｐｈｙ；ＥＣＧ／ＥＫＧ）波形データを収集し、初期データは拡張可能マークアップ言語（Ｅｘｔｅｎｓｉｂｌｅ Ｍａｒｋｕｐ Ｌａｎｇｕａｇｅ；ＸＭＬ）フォーマットであった。画像の受け取られた被験者は、性別も特に制限されなく、年齢の範囲も特に制限されなかった。参照被験者は、心房細動のない５０００人の参照被験者、及び心房細動のある１００１２人の参照被験者、合計で１５０１２人の参照被験者を含んだ。以上のデータは、実際に使用された「データ数」であり、「同じ患者」の「異なる時点／日付での検査」の可能性は排除されなかった。
一、参照データベース
本発明で使用される参照データベースは、中国医薬大学及び付属病院が２００９／０１／０１～２０１８／１２／３１の病院内の非結合化された被験者の臨床内容を遡及的に収集したものであり、これは中国医薬大学及び付属病院研究倫理委員会（Ｃｈｉｎａ Ｍｅｄｉｃａｌ Ｕｎｉｖｅｒｓｉｔｙ ＆ Ｈｏｓｐｉｔａｌ Ｒｅｓｅａｒｃｈ Ｅｔｈｉｃｓ Ｃｏｍｍｉｔｔｅｅ）により承認された臨床試験計画であり、番号がＣＭＵＨ１０７－ＲＥＣ２－１３４（ＡＲ－１）であった。データとしては、ＧＥ Ｈｅａｌｔｈｃａｒｅ ＭＵＳＥシステムによってキーワードパラメータで検索するように、１２誘導心電信号数列を含む、心房細動や心肌梗塞等の疾患種類を含む患者の心電図（Ｅｌｅｃｔｒｏｃａｒｄｉｏｇｒａｐｈｙ；ＥＣＧ／ＥＫＧ）波形データを収集し、初期データは拡張可能マークアップ言語（Ｅｘｔｅｎｓｉｂｌｅ Ｍａｒｋｕｐ Ｌａｎｇｕａｇｅ；ＸＭＬ）フォーマットであった。画像の受け取られた被験者は、性別も特に制限されなく、年齢の範囲も特に制限されなかった。参照被験者は、心房細動のない５０００人の参照被験者、及び心房細動のある１００１２人の参照被験者、合計で１５０１２人の参照被験者を含んだ。以上のデータは、実際に使用された「データ数」であり、「同じ患者」の「異なる時点／日付での検査」の可能性は排除されなかった。
二、被験者の脳卒中の確率の判断への適用
本試験例において、最初に最適化された心房細動予測モデルを確立した。まず、複数の参照１２誘導心電信号数列を含む参照データベースを取得し、また参照１２誘導心電信号数列に対して予備的分類を行い、異常データ及び非異常データに分けてマークを付けた。本発明による心房細動予測モデルの参照データベースのデータラベリングプラットフォームを示す模式図である図３を参照されたく、後で確立された心房細動予測モデルが１２誘導心電信号数列に対応する疾患の問題を正しく学習できるように、まず、患者関連の如何なる個人情報も提供されなく、特定の対応関係も制限されずに、データラベリングプラットフォームを確立し、医師は、心房細動予測モデル学習の参考根拠として、このプラットフォームによって参照データベースに対して多種のマークを付けた。
本試験例において、最初に最適化された心房細動予測モデルを確立した。まず、複数の参照１２誘導心電信号数列を含む参照データベースを取得し、また参照１２誘導心電信号数列に対して予備的分類を行い、異常データ及び非異常データに分けてマークを付けた。本発明による心房細動予測モデルの参照データベースのデータラベリングプラットフォームを示す模式図である図３を参照されたく、後で確立された心房細動予測モデルが１２誘導心電信号数列に対応する疾患の問題を正しく学習できるように、まず、患者関連の如何なる個人情報も提供されなく、特定の対応関係も制限されずに、データラベリングプラットフォームを確立し、医師は、心房細動予測モデル学習の参考根拠として、このプラットフォームによって参照データベースに対して多種のマークを付けた。
次に、参照特徴選択モジュールは、参照データベースに基づいて、計算ユニットによって参照１２誘導心電信号数列におけるピークツーピーク時間差を計算することで得られた心電信号の曲率変化が最も大きくなる画像間隔を含む少なくとも１つの特徴値を選択した。
また、トレーニングステップを行い、双方向長短期記憶ネットワークのアーキテクチャをニューラルネットワーク学習として使用し、異なる項目の神経方向から時系列信号を機械に学習させた。従来のリカレントニューラルネットワーク（Ｒｅｃｕｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ；ＲＮＮ）は、パラメータを最適化する場合に、勾配降下法（Ｇｒａｄｉｅｎｔ Ｄｅｓｃｅｎｔ）によってパラメータの更新方法を最適化し、パラメータ変更を求める方法としては、逆伝播（Ｂａｃｋｗａｒｄ Ｐｒｏｐａｇａｔｉｏｎ）アルゴリズムで実現されるが、このアルゴリズムでは、取られたパラメータの原因で勾配爆発（Ｇｒａｄｉｅｎｔ Ｅｘｐｌｏｓｉｏｎ）及び勾配消失（Ｇｒａｄｉｅｎｔ Ｖａｎｉｓｈ）が発生する可能性があった。本発明の心房細動予測モデルは、トレーニングを行う場合に忘却ゲートが加えられるので、逆伝播アルゴリズムの際に勾配爆発が発生すると、忘却ゲートによって受け止めることができるが、入力値が数式で計算された後で０（即ち、小数点以下十数桁以降の値）に近くなることでコンピューターがそのまま無視して勾配消失となる場合、支援入力ゲート（Ｐａｓｓ Ｇａｔｅ）によってメッセージを再度送信して、勾配消失を避けることができた。
詳しくは、トレーニングステップは、長短期記憶ユニットによって心電信号の瞬時値を記憶し、前記特徴値と前記心電信号の瞬時値との相関性を計算するものであり、前記相関性が第１の所定閾値を超えると、前記長短期記憶ユニットを更新した。本発明による心房細動予測モデルの長短期記憶ユニットを示すアーキテクチャ模式図である図４を参照されたい。前記長短期記憶ユニットは、経時的に更新されるメモリブランチによって現在の決定結果を強化し、且つ長短期記憶ユニットは忘却ゲート、入力ゲート及び出力ゲートを含むことでメモリを更新するかを決定し、また、忘却ゲート、入力ゲート及び出力ゲートは、双方向の直列接続であった。忘却ゲートは、曲率変化の過大な心電信号の瞬時値をフィルタリングして、入力値を取得することに使用される。詳しくは、忘却ゲートは、計算されたｚｆ（ｆがｆｏｒｇｅｔを示す）を忘却ゲート制御として使用し、前の状態の何れのｃｔ－１を残し又は忘れる必要があるかを制御し、Ｓｉｇｍｏｉｄ関数は一般的であった。入力ゲートは、前記入力値を入力して、Ｓｉｇｍｏｉｄ関数で相関性を計算することに使用された。詳しくは、入力ゲートは、現在の入力（Ｉｎｐｕｔ）及び新しく生成されたメモリユニット（Ｍｅｍｏｒｙ Ｃｅｌｌ Ｃａｎｄｉｄａｔｅ）を長期記憶（Ｌｏｎｇ Ｔｅｒｍ Ｍｅｍｏｒｙ）に加えるかを決定し、またＳｉｇｍｏｉｄ関数によって加えるかを示した。具体的に、ｘｔの入力を選択的に記憶した。重要なことであれば特に記録したが、重要でないことであればその一部を記憶した。現在の入力内容は、前に計算されたｚで示された。選択されたゲート制御信号は、ｚｉ（ｉがｉｎｆｏｒｍａｔｉｏｎを示す）によって制御された。出力ゲートは、前記相関性をＳｉｇｍｏｉｄ関数によって計算して出力値を取得することに用いられ、出力値が第２の所定閾値を超えると、出力値を長短期記憶ユニットに加えた。詳しくは、出力ゲートは、何れの出力が現在の状態の出力とされるかを決定した。主に、ｚｏによって制御された。また、前の段階で得られたｃｏに対してｔａｎｈ活性化関数によって変更された。忘却ゲート、入力ゲート及び出力ゲートの詳細な計算方法について、式（Ｉ）、式（ＩＩ）及び式（ＩＩＩ）を参照されたい。
第１の所定閾値及び第２の所定閾値は、ｔａｎｈ関数によって決められ、ｔａｎｈ関数式の出力値は－１～１であり、大量の１２誘導心電信号数列を機械学習の数式に入力して計算された所定値であった。トレーニングが収束に到達すると、心房細動予測モデルを取得し、これにより、被験者の脳卒中の確率である所定の結果を取得した。
心房細動予測モデルのトレーニング過程において、特徴値と心電信号の瞬時値との相関性が第１の所定閾値を超えると、長短期記憶ユニットを更新して、収束に達して、心房細動予測モデルが得られ、相関性が－１に近くなる場合、被験者に心房細動がない確率が高いことを示すが、相関性が１に近くなる場合、被験者に心房細動がある確率が高いことを示す。心房細動予測モデルによって心房細動を判断して予測する場合、忘却ゲートは、まず、心電信号の瞬時値をフィルタリングして入力値を取得し、入力ゲートを介してＳｉｇｍｏｉｄ関数で計算された相関性を入力し、出力ゲートは、前記相関性をＳｉｇｍｏｉｄ関数で計算して出力値を取得し、出力値が第２の所定閾値を超えると、出力値を前記長短期記憶ユニットに加え、出力値が－１に近くなる場合、被験者に心房細動がない確率が高いことを示すが、出力値が１に近くなる場合、被験者に心房細動がある確率が高いことを示した。
また、本発明による心房細動予測モデルの長短期記憶ユニット６００を示すアーキテクチャ図である図５を再度参照されたい。本発明の心房細動予測モデルの長短期記憶ユニット６００は、４次長短期記憶グループであり、内部に１２８＊４の長短期記憶ユニットを有し、入力層６１０、１次長短期記憶ユニット６２０、２次長短期記憶ユニット６３０、３次長短期記憶ユニット６４０、４次長短期記憶ユニット６５０、最大プーリング層６６０及び全結合段階層６７０を含む。１次長短期記憶ユニット６２０、２次長短期記憶ユニット６３０、３次長短期記憶ユニット６４０及び４次長短期記憶ユニット６５０は、それぞれ１２８個の長短期記憶ユニットを有する。１次長短期記憶ユニット６２０は複雑さが低い特徴値を処理でき、２次長短期記憶ユニット６３０は複雑さがやや高い特徴値を処理でき、３次長短期記憶ユニット６４０は複雑さがより高い特徴値を処理でき、４次長短期記憶ユニット６５０は複雑さが最も高い特徴値を処理できる。最大プーリング層は４次長短期記憶学習の特徴に基づいて統合収集を行うが、全結合層（Ｓｉｇｍｏｄ関数／ｔａｎｈ関数）は特徴学習の一部に基づいて最終結果を出力する。
本試験例において、更に、確立された心房細動予測モデルを含む心房細動予測システムを被験者の脳卒中の予測に使用する。そのステップは、以下の通りである。前述の確立された心房細動予測モデルを提供する。被験者の目標１２誘導心電信号数列を提供する。目標１２誘導心電信号数列を目標特徴選択モジュールによって分析して、目標特徴値を取得する。最終に、比較モジュールによって前記目標特徴値及び前記参照特徴値を前記心房細動予測モデルによって分析して比較することで、所定の結果を取得し、被験者の脳卒中の確率を予測する。
本発明による心房細動予測システムは被験者の脳卒中の確率を予測するための受信者動作特性曲線（ｒｅｃｅｉｖｅｒ ｏｐｅｒａｔｉｎｇ ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｃｕｒｖｅ；ＲＯＣ）を示すグラフである図６を参照されたい。結果から表示するように、本発明の心房細動予測モデルによって被験者の脳卒中確率を予測する場合、その試験（Ｔｅｓｔ）の曲線下面積（Ａｒｅａ ｕｎｄｅｒ ｔｈｅ Ｃｕｒｖｅ；ＡＵＣ）が０．９９６であり、ＲＯＣの値が９９．６％である。本発明の心房細動予測モデル及び心房細動予測システムは、１２誘導心電信号数列によって被験者の脳卒中確率を正確に予測することができるのを示す。
これにより、本発明は、心房細動予測モデル及び心房細動予測システムを提供し、長短期記憶ネットワークのアーキテクチャをニューラルネットワーク学習として使用し、異なる項目の神経方向から時系列信号を機械に学習させることで、１２誘導心電信号数列によって被験者に心房細動があるかを客観的で正確に判断することができ、更に、その脳卒中の発生確率を予測することができ、セカンドオピニオンを専門医師に提供して、医師の臨床上の判断を支援することができる。元画像の入力から結果の判読まで、平均で０．１～１秒間で完了でき、且つ正確率が０．９９６にも達する。このため、本発明の心房細動予測モデル及び心房細動予測システムは、１つのケースの１２誘導心電信号数列を通じて自動化且つ高速なデータ分析を行い、早く診断できるように医療者による判読を支援して、脳卒中の早期の発見率を向上させ、医師が患者に対して後の治療を容易に計画できるようにすることができる。
本発明は実施形態を前述の通りに開示したが、これは本発明を限定するものではなく、当業者であれば、本発明の精神や範囲から逸脱しない限り、多様の変更や修飾を加えることができる。従って、本発明の保護範囲は、下記特許請求の範囲で指定した内容を基準とするものである。
本発明は、医療情報分析モデル及びシステムに関し、特に、心房細動予測モデル及び心房細動予測システムに関する。
心房細動（ａｔｒｉａｌ ｆｉｂｒｉｌｌａｔｉｏｎ）は、心臓内でリズム信号の機能が異常となるため、心拍が不規則でしばしば頻脈になる病気であり、毎分当たりの心拍が３５０回にも達する。心房細動は最も一般的な心調律障害であり、全人口にわたって、平均で１００人に１人が心房細動を罹患し、加齢に伴って、心房細動を罹患している割合が増加する。６０歳以上では、１００人に４人が心房細動を罹患するが、８０歳以上では、１０人に１人が心房細動を罹患する。２０１０年に、世界中で３３５０万人が心房細動を罹患していると予想され、これに加えて、症状がないので診断されていない潜在的な患者が多数いる可能性がある。２０５０に、アジアの心房細動の患者数は、７２００万人にも達すると予想される。
心房細動の患者は、一般な方よりも、脳卒中、肺塞栓症及び末梢血管塞栓症を含む血栓梗塞症を発症するリスクが５倍ある。過去の研究では、心房細動を罹患している患者の中で、発作性心房細動を患う患者は持続性心房細動を患う患者よりも脳卒中の発生率が低いが、発作性心房細動を患う患者よりも持続性心房細動を患う患者は予後が悪く、２回目の脳卒中を伴うリスクも高いため、心房細動の発作形態は、脳卒中とは相関が高いことが示されている。このため、２０５０年に、アジアの心房細動による脳卒中患者は、２９０万人にも達すると予想される。持続性心房細動を患う患者は、発作性心房細動を患う患者よりも高い脳卒中発生率を有し、脳卒中の予後も悪い。臨床的には、主にＣＨＡ２ＤＳ２－ＶＡＳｃ ｓｃｏｒｅで心房細動患者の脳卒中リスクを評価し、ＣＨＡ２ＤＳ２IVＡＳｃ ｓｃｏｒｅの評価リストとしては、年齢、性別、及び梗塞性疾患、高血圧、うっ血性心不全、糖尿病及び血管性疾患等の合併症を含み、ＣＨＡ２ＤＳ２－ＶＡＳｃ ｓｃｏｒｅが増加するにつれて、血管栓塞が発生するリスクも徐々に向上するが、これまで、心房細動患者の心電図特性と脳卒中との相関性については検討されていない。
心電図は、例えば、日中の発作頻度や形態等の心房細動の情報を提供するが、そのデータが膨大であるため、手動で段階的に分析することはできないため、従来の技術では、大量のデータを効率的に分析することができ、且つ臨床上で医師により被験者が心房細動及び脳卒中の患者となる可能性があるかを更に判断するように支援して、検出の精度を向上させる点で不足である。
これに鑑みて、本発明は、被験者が心房細動を患っているかを客観的且つ正確に判断でき、脳卒中の発生確率を更に予測して、医師の臨床上の判断を支援することができる心房細動予測モデル及び心房細動予測システムを提供することを目的とする。
本発明の一態様は、心房細動予測モデルであって、その確立ステップとして、複数の参照１２誘導心電信号数列を含む参照データベースを取得するステップと、参照データベースに基づいて、計算ユニットによって参照１２誘導心電信号数列におけるピークツーピーク時間差を計算することで得られた心電信号の曲率変化が最も大きくなる画像間隔を含む少なくとも１つの特徴値を選択する特徴選択ステップと、長短期記憶ユニット（Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ；ＬＳＴＭ）によって心電信号の瞬時値を記憶し、前記特徴値と前記心電信号の瞬時値との相関性を計算し、前記相関性が第１の所定閾値を超えると、前記長短期記憶ユニットを更新するが、トレーニングが収束に到達すると、心房細動予測モデルを取得することで、所定の結果を取得するトレーニングステップと、を備える心房細動予測モデルを提供する。
前記の心房細動予測モデルによれば、前記長短期記憶ユニットは、双方向長短期記憶ユニット（Ｂｉ－ｄｉｒｅｃｔｉｏｎａｌ Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ；Ｂｉ－ｄｉｒｅｃｔｉｏｎａｌ ＬＳＴＭ）であってよい。
前記の心房細動予測モデルによれば、長短期記憶ユニットは、曲率変化の過大な心電信号の瞬時値をフィルタリングして、入力値を取得する忘却ゲート（Ｆｏｒｇｅｔ Ｇａｔｅ）と、前記入力値を入力して、Ｓｉｇｍｏｉｄ関数によって前記相関性を計算する入力ゲート（Ｉｎｐｕｔ Ｇａｔｅ）と、前記相関性をＳｉｇｍｏｉｄ関数で計算して出力値を取得し、出力値が第２の所定閾値を超えると、出力値を前記長短期記憶ユニットに加える出力ゲート（Ｏｕｔｐｕｔ Ｇａｔｅ）と、を更に含んでよい。
前記の心房細動予測モデルによれば、前記忘却ゲート、前記入力ゲート及び前記出力ゲートは、双方向の直列接続であってよい。
前記の心房細動予測モデルによれば、前記第１の所定閾値及び前記第２の所定閾値は、ｔａｎｈ関数によって決められてよい。
本発明の別の態様は、目標１２誘導心電信号数列を取得するための心電図捕捉ユニットと、少なくとも１つの信号により前記心電図捕捉ユニットに接続され、少なくとも１つの処理ユニットにより実行される時、予測結果を取得するためのプログラムを記憶するための非一時的機械可読媒体と、を備え、前記プログラムは、複数の参照１２誘導心電信号数列を含む参照データベースを取得するための参照データベース取得モジュールと、参照データベースに基づいて、計算ユニットによって参照１２誘導心電信号数列におけるピークツーピーク時間差を計算することで得られた心電信号の曲率変化が最も大きくなる画像間隔を含む少なくとも１つの参照特徴値を選択するための参照特徴選択モジュールと、心電信号の瞬時値を記憶し、前記特徴値と前記心電信号の瞬時値との相関性を計算することに使用され、前記相関性が第１の所定閾値を超えると、前記長短期記憶ユニットを更新するが、トレーニングが収束に到達すると、心房細動予測モデルを取得する長短期記憶ユニット（Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ；ＬＳＴＭ）を含むトレーニングモジュールと、前記目標１２誘導心電信号数列を分析して、別の計算ユニットによって目標１２誘導心電信号数列におけるピークツーピーク時間差を計算することで得られた目標心電信号の曲率変化が最も大きくなる画像間隔を含む目標特徴値を取得するための目標特徴選択モジュールと、前記目標特徴値及び前記参照特徴値を前記心房細動予測モデルで分析して比較することで、所定の結果を取得するための比較モジュールと、を含む心房細動予測システムを提供する。
前記の心房細動予測システムによれば、前記長短期記憶ユニットは、双方向長短期記憶ユニット（Ｂｉ－ｄｉｒｅｃｔｉｏｎａｌ Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ；Ｂｉ－ｄｉｒｅｃｔｉｏｎａｌ ＬＳＴＭ）であってよい。
前記の心房細動予測システムによれば、前記長短期記憶ユニットは、曲率変化の過大な心電信号の瞬時値をフィルタリングして、入力値を取得する忘却ゲート（Ｆｏｒｇｅｔ Ｇａｔｅ）と、前記入力値を入力して、Ｓｉｇｍｏｉｄ関数によって前記相関性を計算する入力ゲート（Ｉｎｐｕｔ Ｇａｔｅ）と、前記相関性をＳｉｇｍｏｉｄ関数で計算して出力値を取得し、前記出力値が第２の所定閾値を超えると、前記出力値を前記長短期記憶ユニットに加える出力ゲート（Ｏｕｔｐｕｔ Ｇａｔｅ）を更に含んでもよい。
前記の心房細動予測システムによれば、前記忘却ゲート、前記入力ゲート及び前記出力ゲートは、双方向の直列接続であってよい。
前記の心房細動予測システムによれば、前記第１の所定閾値及び前記第２の所定閾値は、ｔａｎｈ関数によって決められてよい。
以上の本発明の説明は、読者に本開示内容を基本的に理解させるように、本開示内容の簡略化された概要を提供することを意図とする。この発明内容は、本開示内容の完備な概要ではなく、本発明の実施例の重要・大切な素子を指摘し又は本発明の範囲を限定することを意図するものではない。
下記の添付図面についての説明は、本発明の上記や他の目的、特徴、メリット及び実施例をより理解しやすくするためのものである。
本発明の一実施形態による心房細動予測モデルの確立ステップを示すフローチャートである。
本発明の別の実施形態による心房細動予測システムを示すブロック図である。
本発明による心房細動予測モデルの参照データベースのデータラベリングプラットフォームを示す模式図である。
本発明による心房細動予測モデルの長短期記憶ユニットを示すアーキテクチャ模式図である。
本発明による心房細動予測モデルの長短期記憶ユニットを示すアーキテクチャ図である。
本発明による心房細動予測システムの被験者の脳卒中の確率を予測するための受信者動作特性曲線を示すグラフである。
以下、本発明の各実施形態をより詳しく検討する。しかしながら、この実施形態は、様々な発明概念の適用であってよく、具体的に様々な異なる特定範囲内で実行されることができる。特定の実施形態は、単に説明するためのものであり、開示の範囲に限定されない。
本発明の一実施形態による心房細動予測モデルの確立ステップ１００を示すフローチャートである図１を参照されたい。本発明の心房細動予測モデルの確立ステップ１００は、ステップ１１０と、ステップ１２０と、ステップ１３０と、を備え、確立された心房細動予測モデルは、被験者の脳卒中の発生確率を予測することに使用することができる。
ステップ１１０は、複数の参照１２誘導心電信号数列を含む参照データベースを取得するものである。更に、参照１２誘導心電信号数列については予備的分類を行ってよく、異常データ及び非異常データに分けてマークを付けて、参照データベースを２つの種類に分ける。
ステップ１２０は、特徴選択ステップを行うものであり、参照データベースに基づいて、計算ユニットによって参照１２誘導心電信号数列におけるピークツーピーク時間差を計算することで得られた心電信号の曲率変化が最も大きくなる画像間隔を含む少なくとも１つの特徴値を選択する。
ステップ１３０は、トレーニングステップを行うものであり、長短期記憶ユニット（Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ；ＬＳＴＭ）によって心電信号の瞬時値を記憶し、前記特徴値と前記心電信号の瞬時値との相関性を計算し、前記相関性が第１の所定閾値を超えると、前記長短期記憶ユニットを更新するが、トレーニングが収束に到達すると、心房細動予測モデルを取得することで、所定の結果を取得する。長短期記憶ユニットは、忘却ゲート（Ｆｏｒｇｅｔ Ｇａｔｅ）、入力ゲート（Ｉｎｐｕｔ Ｇａｔｅ）、出力ゲート（Ｏｕｔｐｕｔ Ｇａｔｅ）を更に含んでもよい。忘却ゲートは、曲率変化の過大な心電信号の瞬時値をフィルタリングして、入力値を取得する。入力ゲートは、前記入力値を入力して、Ｓｉｇｍｏｉｄ関数によって前記相関性を計算する。出力ゲートは、前記相関性をＳｉｇｍｏｉｄ関数で計算して出力値を取得し、出力値が第２の所定閾値を超えると、出力値を前記長短期記憶ユニットに加える。好ましくは、前記忘却ゲート、前記入力ゲート及び前記出力ゲートは、双方向の直列接続であってよく、前記第１の所定閾値及び前記第２の所定閾値は、ｔａｎｈ関数によって決められてよい。前記長短期記憶ユニットは、双方向長短期記憶ユニット（Ｂｉ－ｄｉｒｅｃｔｉｏｎａｌ Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ；Ｂｉ－ｄｉｒｅｃｔｉｏｎａｌ ＬＳＴＭ）であってよい。
前記第１の所定閾値及び第２の所定閾値は、ｔａｎｈ関数によって決められ、ｔａｎｈ関数の出力値は－１～１であり、大量の１２誘導心電信号数列を機械学習の数式に入力して計算された所定値である。心房細動予測モデルのトレーニング過程において、特徴値と心電信号の瞬時値との相関性が第１の所定閾値を超えると、長短期記憶ユニットを更新して、収束に達して、心房細動予測モデルが得られる。相関性が－１に近くなる場合、被験者に心房細動がない確率が高いことを示すが、相関性が１に近くなる場合、被験者に心房細動がある確率が高いことを示す。心房細動予測モデルによって被験者に心房細動があるかを予測する場合、忘却ゲートは、まず、心電信号の瞬時値をフィルタリングして入力値を取得し、入力ゲートを介してＳｉｇｍｏｉｄ関数で計算された相関性を入力し、出力ゲートは前記相関性をＳｉｇｍｏｉｄ関数で計算して出力値を取得し、出力値が第２の所定閾値を超えると、出力値を前記長短期記憶ユニットに加える。出力値が－１に近くなる場合、被験者に心房細動がない確率が高いことを示すが、出力値が１に近くなる場合、被験者に心房細動がある確率が高いことを示す。
本発明の別の実施形態による心房細動予測システム２００を示すブロック図である図２を参照されたい。本発明の心房細動予測システム２００は、心電図捕捉ユニット３００と、非一時的機械可読媒体４００と、を備える。心房細動予測システム２００は、被験者の脳卒中の発生確率を予測することに使用することができる。
心電図捕捉ユニット３００は、被験者の目標１２誘導心電信号数列及び参照１２誘導心電信号数列を取得することに使用される。心電図捕捉ユニット３００は、心電計であってもよい。好ましくは、心電図捕捉ユニット３００は、１０個の電極パッチを含む１２誘導心電計であってもよく、手足に２つ以上の電極パッチを配置し、２つずつに一対で測定し、体表面の１２組の誘導の電位変化を記録し、心電図紙に１２組の誘導信号を描いて、１２誘導心電信号数列を取得する。
非一時的機械可読媒体４００は、少なくとも１つの信号により心電図捕捉ユニット３００に接続され、少なくとも１つの処理ユニットにより実行される時、予測結果を取得するためのプログラムを記憶することに用いられ、前記予測結果は被験者の脳卒中の発生確率である。前記プログラムは、参照データベース取得モジュール４１０、参照特徴選択モジュール４２０、トレーニングモジュール４３０、目標特徴選択モジュール４４０及び比較モジュール４５０を含む。
参照データベース取得モジュール４１０は、複数の参照１２誘導心電信号数列を含む参照データベースを取得することに使用される。更に、参照１２誘導心電信号数列については予備的分類を行ってよく、異常データ及び非異常データに分けてマークを付けて、参照データベースを２つの種類に分ける。
参照特徴選択モジュール４２０は、参照データベースに基づいて、計算ユニット４２１によって参照１２誘導心電信号数列におけるピークツーピーク時間差を計算することで得られた心電信号の曲率変化が最も大きくなる画像間隔を含む少なくとも１つの参照特徴値を選択することに使用される。
トレーニングモジュール４３０は、長短期記憶ユニット４３２を含む。前記長短期記憶ユニット４３２は、心電信号の瞬時値を記憶し、前記特徴値と前記心電信号の瞬時値との相関性を計算することに使用され、前記相関性が第１の予め設定された閾値を超えると、長短期記憶ユニット４３２を更新するが、トレーニングが収束に到達すると、前記心房細動予測モデルを取得する。長短期記憶ユニット４３２は、忘却ゲート、入力ゲート、出力ゲートを更に含んでもよい。忘却ゲートは、曲率変化の過大な心電信号の瞬時値をフィルタリングして、入力値を取得する。入力ゲートは、前記入力値を入力して、Ｓｉｇｍｏｉｄ関数によって前記相関性を計算する。出力ゲートは、前記相関性をＳｉｇｍｏｉｄ関数で計算して出力値を取得し、出力値が第２の予め設定された閾値を超えると、出力値を前記長短期記憶ユニット４３２に加える。好ましくは、前記忘却ゲート、前記入力ゲート及び前記出力ゲートは、双方向の直列接続であってよく、前記第１の所定閾値及び前記第２の所定閾値は、ｔａｎｈ関数によって決められてよい。また、前記長短期記憶ユニット４３２は、双方向長短期記憶ユニットであってよい。
目標特徴選択モジュール４４０は、前記目標１２誘導心電信号数列を分析して、別の計算ユニット４４１によって目標１２誘導心電信号数列におけるピークツーピーク時間差を計算することで得られた目標心電信号の曲率変化が最も大きくなる画像間隔を含む目標特徴値を取得することに使用される。
比較モジュール４５０は、前記目標特徴値及び前記参照特徴値を前記心房細動予測モデルで分析して比較することで、所定の結果を取得することに用いられる。前記所定の結果は、被験者が３～６か月以内に脳卒中を患った確率であり、確率値が０％～１００％であり、医師の診断の支援参照として使用される。
＜試験例＞
一、参照データベース
本発明で使用される参照データベースは、中国医薬大学及び付属病院が２００９／０１／０１～２０１８／１２／３１の病院内の非結合化された被験者の臨床内容を遡及的に収集したものであり、これは中国医薬大学及び付属病院研究倫理委員会（Ｃｈｉｎａ Ｍｅｄｉｃａｌ Ｕｎｉｖｅｒｓｉｔｙ ＆ Ｈｏｓｐｉｔａｌ Ｒｅｓｅａｒｃｈ Ｅｔｈｉｃｓ Ｃｏｍｍｉｔｔｅｅ）により承認された臨床試験計画であり、番号がＣＭＵＨ１０７－ＲＥＣ２－１３４（ＡＲ－１）であった。データとしては、ＧＥ Ｈｅａｌｔｈｃａｒｅ ＭＵＳＥシステムによってキーワードパラメータで検索するように、１２誘導心電信号数列を含む、心房細動や心肌梗塞等の疾患種類を含む患者の心電図（Ｅｌｅｃｔｒｏｃａｒｄｉｏｇｒａｐｈｙ；ＥＣＧ／ＥＫＧ）波形データを収集し、初期データは拡張可能マークアップ言語（Ｅｘｔｅｎｓｉｂｌｅ Ｍａｒｋｕｐ Ｌａｎｇｕａｇｅ；ＸＭＬ）フォーマットであった。画像の受け取られた被験者は、性別も特に制限されなく、年齢の範囲も特に制限されなかった。参照被験者は、心房細動のない５０００人の参照被験者、及び心房細動のある１００１２人の参照被験者、合計で１５０１２人の参照被験者を含んだ。以上のデータは、実際に使用された「データ数」であり、「同じ患者」の「異なる時点／日付での検査」の可能性は排除されなかった。
一、参照データベース
本発明で使用される参照データベースは、中国医薬大学及び付属病院が２００９／０１／０１～２０１８／１２／３１の病院内の非結合化された被験者の臨床内容を遡及的に収集したものであり、これは中国医薬大学及び付属病院研究倫理委員会（Ｃｈｉｎａ Ｍｅｄｉｃａｌ Ｕｎｉｖｅｒｓｉｔｙ ＆ Ｈｏｓｐｉｔａｌ Ｒｅｓｅａｒｃｈ Ｅｔｈｉｃｓ Ｃｏｍｍｉｔｔｅｅ）により承認された臨床試験計画であり、番号がＣＭＵＨ１０７－ＲＥＣ２－１３４（ＡＲ－１）であった。データとしては、ＧＥ Ｈｅａｌｔｈｃａｒｅ ＭＵＳＥシステムによってキーワードパラメータで検索するように、１２誘導心電信号数列を含む、心房細動や心肌梗塞等の疾患種類を含む患者の心電図（Ｅｌｅｃｔｒｏｃａｒｄｉｏｇｒａｐｈｙ；ＥＣＧ／ＥＫＧ）波形データを収集し、初期データは拡張可能マークアップ言語（Ｅｘｔｅｎｓｉｂｌｅ Ｍａｒｋｕｐ Ｌａｎｇｕａｇｅ；ＸＭＬ）フォーマットであった。画像の受け取られた被験者は、性別も特に制限されなく、年齢の範囲も特に制限されなかった。参照被験者は、心房細動のない５０００人の参照被験者、及び心房細動のある１００１２人の参照被験者、合計で１５０１２人の参照被験者を含んだ。以上のデータは、実際に使用された「データ数」であり、「同じ患者」の「異なる時点／日付での検査」の可能性は排除されなかった。
二、被験者の脳卒中の確率の判断への適用
本試験例において、最初に最適化された心房細動予測モデルを確立した。まず、複数の参照１２誘導心電信号数列を含む参照データベースを取得し、また参照１２誘導心電信号数列に対して予備的分類を行い、異常データ及び非異常データに分けてマークを付けた。本発明による心房細動予測モデルの参照データベースのデータラベリングプラットフォームを示す模式図である図３を参照されたく、後で確立された心房細動予測モデルが１２誘導心電信号数列に対応する疾患の問題を正しく学習できるように、まず、患者関連の如何なる個人情報も提供されなく、特定の対応関係も制限されずに、データラベリングプラットフォームを確立し、医師は、心房細動予測モデル学習の参考根拠として、このプラットフォームによって参照データベースに対して多種のマークを付けた。
本試験例において、最初に最適化された心房細動予測モデルを確立した。まず、複数の参照１２誘導心電信号数列を含む参照データベースを取得し、また参照１２誘導心電信号数列に対して予備的分類を行い、異常データ及び非異常データに分けてマークを付けた。本発明による心房細動予測モデルの参照データベースのデータラベリングプラットフォームを示す模式図である図３を参照されたく、後で確立された心房細動予測モデルが１２誘導心電信号数列に対応する疾患の問題を正しく学習できるように、まず、患者関連の如何なる個人情報も提供されなく、特定の対応関係も制限されずに、データラベリングプラットフォームを確立し、医師は、心房細動予測モデル学習の参考根拠として、このプラットフォームによって参照データベースに対して多種のマークを付けた。
次に、参照特徴選択モジュールは、参照データベースに基づいて、計算ユニットによって参照１２誘導心電信号数列におけるピークツーピーク時間差を計算することで得られた心電信号の曲率変化が最も大きくなる画像間隔を含む少なくとも１つの特徴値を選択した。
また、トレーニングステップを行い、双方向長短期記憶ネットワークのアーキテクチャをニューラルネットワーク学習として使用し、異なる項目の神経方向から時系列信号を機械に学習させた。従来のリカレントニューラルネットワーク（Ｒｅｃｕｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ；ＲＮＮ）は、パラメータを最適化する場合に、勾配降下法（Ｇｒａｄｉｅｎｔ Ｄｅｓｃｅｎｔ）によってパラメータの更新方法を最適化し、パラメータ変更を求める方法としては、逆伝播（Ｂａｃｋｗａｒｄ Ｐｒｏｐａｇａｔｉｏｎ）アルゴリズムで実現されるが、このアルゴリズムでは、取られたパラメータの原因で勾配爆発（Ｇｒａｄｉｅｎｔ Ｅｘｐｌｏｓｉｏｎ）及び勾配消失（Ｇｒａｄｉｅｎｔ Ｖａｎｉｓｈ）が発生する可能性があった。本発明の心房細動予測モデルは、トレーニングを行う場合に忘却ゲートが加えられるので、逆伝播アルゴリズムの際に勾配爆発が発生すると、忘却ゲートによって受け止めることができるが、入力値が数式で計算された後で０（即ち、小数点以下十数桁以降の値）に近くなることでコンピューターがそのまま無視して勾配消失となる場合、支援入力ゲート（Ｐａｓｓ Ｇａｔｅ）によってメッセージを再度送信して、勾配消失を避けることができた。
詳しくは、トレーニングステップは、長短期記憶ユニットによって心電信号の瞬時値を記憶し、前記特徴値と前記心電信号の瞬時値との相関性を計算するものであり、前記相関性が第１の所定閾値を超えると、前記長短期記憶ユニットを更新した。本発明による心房細動予測モデルの長短期記憶ユニットを示すアーキテクチャ模式図である図４を参照されたい。前記長短期記憶ユニットは、経時的に更新されるメモリブランチによって現在の決定結果を強化し、且つ長短期記憶ユニットは忘却ゲート、入力ゲート及び出力ゲートを含むことでメモリを更新するかを決定し、また、忘却ゲート、入力ゲート及び出力ゲートは、双方向の直列接続であった。忘却ゲートは、曲率変化の過大な心電信号の瞬時値をフィルタリングして、入力値を取得することに使用される。詳しくは、忘却ゲートは、計算されたｚｆ（ｆがｆｏｒｇｅｔを示す）を忘却ゲート制御として使用し、前の状態の何れのｃｔ－１を残し又は忘れる必要があるかを制御し、Ｓｉｇｍｏｉｄ関数は一般的であった。入力ゲートは、前記入力値を入力して、Ｓｉｇｍｏｉｄ関数で相関性を計算することに使用された。詳しくは、入力ゲートは、現在の入力（Ｉｎｐｕｔ）及び新しく生成されたメモリユニット（Ｍｅｍｏｒｙ Ｃｅｌｌ Ｃａｎｄｉｄａｔｅ）を長期記憶（Ｌｏｎｇ Ｔｅｒｍ Ｍｅｍｏｒｙ）に加えるかを決定し、またＳｉｇｍｏｉｄ関数によって加えるかを示した。具体的に、ｘｔの入力を選択的に記憶した。重要なことであれば特に記録したが、重要でないことであればその一部を記憶した。現在の入力内容は、前に計算されたｚで示された。選択されたゲート制御信号は、ｚｉ（ｉがｉｎｆｏｒｍａｔｉｏｎを示す）によって制御された。出力ゲートは、前記相関性をＳｉｇｍｏｉｄ関数によって計算して出力値を取得することに用いられ、出力値が第２の所定閾値を超えると、出力値を長短期記憶ユニットに加えた。詳しくは、出力ゲートは、何れの出力が現在の状態の出力とされるかを決定した。主に、ｚｏによって制御された。また、前の段階で得られたｃｏに対してｔａｎｈ活性化関数によって変更された。忘却ゲート、入力ゲート及び出力ゲートの詳細な計算方法について、式（Ｉ）、式（ＩＩ）及び式（ＩＩＩ）を参照されたい。
第１の所定閾値及び第２の所定閾値は、ｔａｎｈ関数によって決められ、ｔａｎｈ関数式の出力値は－１～１であり、大量の１２誘導心電信号数列を機械学習の数式に入力して計算された所定値であった。トレーニングが収束に到達すると、心房細動予測モデルを取得し、これにより、被験者の脳卒中の確率である所定の結果を取得した。
心房細動予測モデルのトレーニング過程において、特徴値と心電信号の瞬時値との相関性が第１の所定閾値を超えると、長短期記憶ユニットを更新して、収束に達して、心房細動予測モデルが得られ、相関性が－１に近くなる場合、被験者に心房細動がない確率が高いことを示すが、相関性が１に近くなる場合、被験者に心房細動がある確率が高いことを示す。心房細動予測モデルによって心房細動を判断して予測する場合、忘却ゲートは、まず、心電信号の瞬時値をフィルタリングして入力値を取得し、入力ゲートを介してＳｉｇｍｏｉｄ関数で計算された相関性を入力し、出力ゲートは、前記相関性をＳｉｇｍｏｉｄ関数で計算して出力値を取得し、出力値が第２の所定閾値を超えると、出力値を前記長短期記憶ユニットに加え、出力値が－１に近くなる場合、被験者に心房細動がない確率が高いことを示すが、出力値が１に近くなる場合、被験者に心房細動がある確率が高いことを示した。
また、本発明による心房細動予測モデルの長短期記憶ユニット６００を示すアーキテクチャ図である図５を再度参照されたい。本発明の心房細動予測モデルの長短期記憶ユニット６００は、４次長短期記憶グループであり、内部に１２８＊４の長短期記憶ユニットを有し、入力層６１０、１次長短期記憶ユニット６２０、２次長短期記憶ユニット６３０、３次長短期記憶ユニット６４０、４次長短期記憶ユニット６５０、最大プーリング層６６０及び全結合層６７０を含む。１次長短期記憶ユニット６２０、２次長短期記憶ユニット６３０、３次長短期記憶ユニット６４０及び４次長短期記憶ユニット６５０は、それぞれ１２８個の長短期記憶ユニットを有する。１次長短期記憶ユニット６２０は複雑さが低い特徴値を処理でき、２次長短期記憶ユニット６３０は複雑さがやや高い特徴値を処理でき、３次長短期記憶ユニット６４０は複雑さがより高い特徴値を処理でき、４次長短期記憶ユニット６５０は複雑さが最も高い特徴値を処理できる。最大プーリング層は４次長短期記憶学習の特徴に基づいて統合収集を行うが、全結合層（Ｓｉｇｍｏｄ関数／ｔａｎｈ関数）は特徴学習の一部に基づいて最終結果を出力する。
本試験例において、更に、確立された心房細動予測モデルを含む心房細動予測システムを被験者の脳卒中の予測に使用する。そのステップは、以下の通りである。前述の確立された心房細動予測モデルを提供する。被験者の目標１２誘導心電信号数列を提供する。目標１２誘導心電信号数列を目標特徴選択モジュールによって分析して、目標特徴値を取得する。最終に、比較モジュールによって前記目標特徴値及び前記参照特徴値を前記心房細動予測モデルによって分析して比較することで、所定の結果を取得し、被験者の脳卒中の確率を予測する。
本発明による心房細動予測システムは被験者の脳卒中の確率を予測するための受信者動作特性曲線（ｒｅｃｅｉｖｅｒ ｏｐｅｒａｔｉｎｇ ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｃｕｒｖｅ；ＲＯＣ）を示すグラフである図６を参照されたい。結果から表示するように、本発明の心房細動予測モデルによって被験者の脳卒中確率を予測する場合、その試験（Ｔｅｓｔ）の曲線下面積（Ａｒｅａ ｕｎｄｅｒ ｔｈｅ Ｃｕｒｖｅ；ＡＵＣ）が０．９９６であり、ＲＯＣの値が９９．６％である。本発明の心房細動予測モデル及び心房細動予測システムは、１２誘導心電信号数列によって被験者の脳卒中確率を正確に予測することができるのを示す。
これにより、本発明は、心房細動予測モデル及び心房細動予測システムを提供し、長短期記憶ネットワークのアーキテクチャをニューラルネットワーク学習として使用し、異なる項目の神経方向から時系列信号を機械に学習させることで、１２誘導心電信号数列によって被験者に心房細動があるかを客観的で正確に判断することができ、更に、その脳卒中の発生確率を予測することができ、セカンドオピニオンを専門医師に提供して、医師の臨床上の判断を支援することができる。元画像の入力から結果の判読まで、平均で０．１～１秒間で完了でき、且つ正確率が０．９９６にも達する。このため、本発明の心房細動予測モデル及び心房細動予測システムは、１つのケースの１２誘導心電信号数列を通じて自動化且つ高速なデータ分析を行い、早く診断できるように医療者による判読を支援して、脳卒中の早期の発見率を向上させ、医師が患者に対して後の治療を容易に計画できるようにすることができる。
本発明は実施形態を前述の通りに開示したが、これは本発明を限定するものではなく、当業者であれば、本発明の精神や範囲から逸脱しない限り、多様の変更や修飾を加えることができる。従って、本発明の保護範囲は、下記特許請求の範囲で指定した内容を基準とするものである。
１００ 心房細動予測モデルの確立ステップ
１１０、１２０、１３０ ステップ
２００ 心房細動予測システム
３００ 心電図捕捉ユニット
４００ 非一時的機械可読媒体
４１０ 参照データベース取得モジュール
４２０ 参照特徴選択モジュール
４２１、４４１ 計算ユニット
４３０ トレーニングモジュール
４３２、６００ 長短期記憶ユニット
４４０ 目標特徴選択モジュール
４５０ 比較モジュール
６１０ 入力層
６２０ １次長短期記憶ユニット
６３０ ２次長短期記憶ユニット
６４０ ３次長短期記憶ユニット
６５０ ４次長短期記憶ユニット
６６０ 最大プーリング層
６７０ 全結合層
１１０、１２０、１３０ ステップ
２００ 心房細動予測システム
３００ 心電図捕捉ユニット
４００ 非一時的機械可読媒体
４１０ 参照データベース取得モジュール
４２０ 参照特徴選択モジュール
４２１、４４１ 計算ユニット
４３０ トレーニングモジュール
４３２、６００ 長短期記憶ユニット
４４０ 目標特徴選択モジュール
４５０ 比較モジュール
６１０ 入力層
６２０ １次長短期記憶ユニット
６３０ ２次長短期記憶ユニット
６４０ ３次長短期記憶ユニット
６５０ ４次長短期記憶ユニット
６６０ 最大プーリング層
６７０ 全結合層
Claims (10)
- 心房細動予測モデルであって、
その確立ステップとして、
複数の参照１２誘導心電信号数列を含む参照データベースを取得するステップと、
前記参照データベースに基づいて、計算ユニットによって前記参照１２誘導心電信号数列におけるピークツーピーク時間差を計算することで得られた心電信号の曲率変化が最も大きくなる画像間隔を含む少なくとも１つの特徴値を選択する特徴選択ステップと、
長短期記憶ユニットによって心電信号の瞬時値を記憶し、前記特徴値と前記心電信号の瞬時値との相関性を計算し、前記相関性が第１の所定閾値を超えると、前記長短期記憶ユニットを更新するが、トレーニングが収束に到達すると、前記心房細動予測モデルを取得することで、所定の結果を取得するトレーニングステップと、
を備えることを特徴とする心房細動予測モデル。 - 前記長短期記憶ユニットは、双方向長短期記憶ユニットであることを特徴とする請求項１に記載の心房細動予測モデル。
- 前記長短期記憶ユニットは、
曲率変化の過大な前記心電信号の瞬時値をフィルタリングして、入力値を取得する忘却ゲートと、
前記入力値を入力して、Ｓｉｇｍｏｉｄ関数によって前記相関性を計算する入力ゲートと、
前記相関性をＳｉｇｍｏｉｄ関数で計算して出力値を取得し、前記出力値が第２の所定閾値を超えると、前記出力値を前記長短期記憶ユニットに加える出力ゲートと、
を更に含むことを特徴とする請求項１に記載の心房細動予測モデル。 - 前記忘却ゲート、前記入力ゲート及び前記出力ゲートは、双方向の直列接続であることを特徴とする請求項３に記載の心房細動予測モデル。
- 前記第１の所定閾値及び前記第２の所定閾値は、ｔａｎｈ関数によって決められることを特徴とする請求項３に記載の心房細動予測モデル。
- 目標１２誘導心電信号数列を取得するための心電図捕捉ユニットと、
少なくとも１つの信号により前記心電図捕捉ユニットに接続され、処理ユニットにより実行される時、予測結果を取得するためのプログラムを記憶するための非一時的機械可読媒体と、
を備え、
前記プログラムは、
複数の参照１２誘導心電信号数列を含む参照データベースを取得するための参照データベース取得モジュールと、
前記参照データベースに基づいて、計算ユニットによって前記参照１２誘導心電信号数列におけるピークツーピーク時間差を計算することで得られた心電信号の曲率変化が最も大きくなる画像間隔を含む少なくとも１つの参照特徴値を選択するための参照特徴選択モジュールと、
心電信号の瞬時値を記憶し、前記特徴値と前記心電信号の瞬時値との相関性を計算することに使用され、前記相関性が第１の所定閾値を超えると、前記長短期記憶ユニットを更新するが、トレーニングが収束に到達すると、前記心房細動予測モデルを取得する長短期記憶ユニットを含むトレーニングモジュールと、
前記目標１２誘導心電信号数列を分析して、別の計算ユニットによって前記目標１２誘導心電信号数列におけるピークツーピーク時間差を計算することで得られた目標心電信号の曲率変化が最も大きくなる画像間隔を含む目標特徴値を取得するための目標特徴選択モジュールと、
前記目標特徴値及び前記参照特徴値を前記心房細動予測モデルで分析して比較することで、所定の結果を取得するための比較モジュールと、
を含むことを特徴とする心房細動予測システム。 - 前記長短期記憶ユニットは、双方向長短期記憶ユニットであることを特徴とする請求項６に記載の心房細動予測システム。
- 前記長短期記憶ユニットは、
曲率変化の過大な前記心電信号の瞬時値をフィルタリングして、入力値を取得する忘却ゲートと、
前記入力値を入力して、Ｓｉｇｍｏｉｄ関数によって前記相関性を計算する入力ゲートと、
前記相関性をＳｉｇｍｏｉｄ関数で計算して出力値を取得し、前記出力値が第２の所定閾値を超えると、前記出力値を前記長短期記憶ユニットに加える出力ゲートと、
を更に含むことを特徴とする請求項６に記載の心房細動予測システム。 - 前記忘却ゲート、前記入力ゲート及び前記出力ゲートは、双方向の直列接続であることを特徴とする請求項８に記載の心房細動予測システム。
- 前記第１の所定閾値及び前記第２の所定閾値は、ｔａｎｈ関数によって決められることを特徴とする請求項８に記載の心房細動予測システム。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2019/104724 WO2021042372A1 (zh) | 2019-09-06 | 2019-09-06 | 心房颤动预测模型及其预测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2022523835A true JP2022523835A (ja) | 2022-04-26 |
Family
ID=74852994
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021552900A Pending JP2022523835A (ja) | 2019-09-06 | 2019-09-06 | 心房細動予測モデル及びその予測システム |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20220262516A1 (ja) |
| JP (1) | JP2022523835A (ja) |
| WO (1) | WO2021042372A1 (ja) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116313089B (zh) * | 2023-03-13 | 2024-01-16 | 首都医科大学附属北京天坛医院 | 一种卒中后房颤风险预测方法、计算机设备及介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107463919A (zh) * | 2017-08-18 | 2017-12-12 | 深圳市唯特视科技有限公司 | 一种基于深度3d卷积神经网络进行面部表情识别的方法 |
| CN108186011A (zh) * | 2017-12-13 | 2018-06-22 | 深圳竹信科技有限公司 | 房颤检测方法、装置及可读存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101912090B1 (ko) * | 2012-02-08 | 2018-10-26 | 삼성전자 주식회사 | 심방세동 예측 모델 생성장치 및 방법과, 심방세동 예측장치 및 방법 |
| CN107622329A (zh) * | 2017-09-22 | 2018-01-23 | 深圳市景程信息科技有限公司 | 基于多时间尺度长短时记忆神经网络的电力负荷预测方法 |
| TWI701681B (zh) * | 2019-05-16 | 2020-08-11 | 中國醫藥大學附設醫院 | 心房顫動預測模型及其預測系統 |
-
2019
- 2019-09-06 JP JP2021552900A patent/JP2022523835A/ja active Pending
- 2019-09-06 US US17/628,991 patent/US20220262516A1/en active Pending
- 2019-09-06 WO PCT/CN2019/104724 patent/WO2021042372A1/zh active Application Filing
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107463919A (zh) * | 2017-08-18 | 2017-12-12 | 深圳市唯特视科技有限公司 | 一种基于深度3d卷积神经网络进行面部表情识别的方法 |
| CN108186011A (zh) * | 2017-12-13 | 2018-06-22 | 深圳竹信科技有限公司 | 房颤检测方法、装置及可读存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| RASMUS S. ANDERSEN ET AL: "A deep learning approach for real-time detection of atrial fibrilation", EXPERT SYSTEMS WITH APPLICATIONS, vol. 115, JPN6022032232, 2019, pages 465 - 473, ISSN: 0005173562 * |
| S. CHAUHAN AND L. VIG: "Anomaly Detection in ECG Time signals via Deep Long Short-Term Memory Networks", 2015 IEEE INTERNATIONAL CONFERENCE ON DATA SCIENCE AND ADVANCED ANALYTICS, JPN6023010039, 7 December 2015 (2015-12-07), pages 3, ISSN: 0005010875 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021042372A1 (zh) | 2021-03-11 |
| US20220262516A1 (en) | 2022-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11134880B2 (en) | Automatic method to delineate or categorize an electrocardiogram | |
| Wang et al. | A high-precision arrhythmia classification method based on dual fully connected neural network | |
| JP7091451B2 (ja) | 人工知能自己学習に基づく心電図自動解析方法、その解析方法の実行に用いられる装置、コンピュータプログラム製品及びコンピュータ読み取り可能な記憶媒体 | |
| CN109411041B (zh) | 心电信息处理方法和心电工作站系统 | |
| TWI701681B (zh) | 心房顫動預測模型及其預測系統 | |
| US11331034B2 (en) | Automatic method to delineate or categorize an electrocardiogram | |
| WO2017072250A1 (en) | An automatic method to delineate or categorize an electrocardiogram | |
| WO2019161611A1 (zh) | 心电信息处理方法和心电工作站 | |
| US20080103403A1 (en) | Method and System for Diagnosis of Cardiac Diseases Utilizing Neural Networks | |
| CN106815570A (zh) | 一种基于动态模式识别的心电信号st‑t段识别方法 | |
| Chocron et al. | Remote atrial fibrillation burden estimation using deep recurrent neural network | |
| CN113180688B (zh) | 基于残差神经网络的冠心病心电图筛查系统及方法 | |
| Ansari et al. | Estimating age and gender from electrocardiogram signals: A comprehensive review of the past decade | |
| Queiroz et al. | Diagnostic decision support systems for atrial fibrillation based on a novel electrocardiogram approach | |
| Al-Huseiny et al. | Diagnosis of arrhythmia based on ECG analysis using CNN | |
| Huang et al. | Detecting paroxysmal atrial fibrillation from normal sinus rhythm in equine athletes using Symmetric Projection Attractor Reconstruction and machine learning | |
| TWI688371B (zh) | 心房顫動信號型態擷取及輔助診斷智能裝置 | |
| KR20140097039A (ko) | 자동 결합 뉴런 네트워크를 이용한 심장부정맥 분류 방법 및 장치 | |
| JP2022523835A (ja) | 心房細動予測モデル及びその予測システム | |
| US12040093B2 (en) | Medical diagnostic tool with neural model trained through machine learning for predicting coronary disease from ECG signals | |
| Dimitri et al. | A preliminary evaluation of Echo State Networks for Brugada syndrome classification | |
| Hong et al. | Gated temporal convolutional neural network and expert features for diagnosing and explaining physiological time series: a case study on heart rates | |
| Madona et al. | Classification of ECG signals using the Naïve Bayes classification method and its implementation in android-based smart health care | |
| Agrawal et al. | A machine learning approach for classifying healthy and infarcted patients using heart rate variabilities derived vector magnitude | |
| Deepa et al. | Experimental evaluation of artificial intelligence assisted heart disease prediction using deep learning principle |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210906 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210906 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220727 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220802 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221102 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230313 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20231016 |