机器心脏专栏

作者：jtchen

浙江大学锐意人工智能研究中心的研究人员提出了一个新概念：心电图全景，并提出了一种神经网络模型Nef-Net 可以通过输入几条心电信号来生成全景心电图。

目前心电图（ECG）一般只显示8-12个导联记录的心电图信号（ECG），每个导联的心电图信号是金属贴片记录的心跳信息。并显示在视图上；而这个视图的“观察角度”可以用金属贴片的位置和心电终端的连接线来表示，如下图（a）所示。下图 (b) 显示了 6 个引线贴片的位置。心脏病专家可以通过6个金属贴片接收这6个“视角”的心电信号。但实际上，仅凭这些有限的导联并不能涵盖医生要求的心电图信息。例如，在射频消融手术中，需要精细的心电信号来定位病灶。

浙江大学锐医学人工智能研究中心的研究人员提出了一个新概念：Electrocardio Panorama，并提出了一种可以通过输入几条心电信号导联来生成心电全景图的神经网络模型（Neuralelectrocardio field network，Nef-Net）。研究论文已被IJCAI 2021接收。

论文地址：https://arxiv.org/pdf/ 2105.06293.pdf

项目地址：https://github.com/WhatAShot/Electrocardio-Panorama

本研究提出的Nef-Net经过训练后，只要用户输入一个或多个已知的心电信号及其对应的“视角”，Nef-Net 可以对心电信号对应的心电信号的底层特征进行编码。然后只给出一个想要的心电透视图，Nef-Net就可以在这个“视角”下转换心电图的底层特征，生成心电信号（视图），其作用如下图所示。

因此，使用Nef-Net，用户只需要在有限的“视角”下获得一些ECG视图.您可以在任何“视角”下观察心电信号。

模型

Nef-Net 本质上是一个自动编码器模型。可以从与“视角”信息相关的心电视图信号中提取出与“视角”无关的底层心电场特征；并利用底层特征生成任意“视角”的心电信号。

Nef-Net的模型结构如下图所示。该研究提出了一种称为 Angular Encoding 的“透视”编码算子，以更好地对“透视”信息进行建模。

该研究还提出了一种称为Standin Learning的自监督方法来引导模型从心电图的“视角” "信息从特征中剥离，只留下心电图信息。此外，由于该模型能够很好地捕捉心电电场的特征，所以稍作修改后，Nef-Net也可以用于从头生成心电图的任务。

实验

ECG 全景图生成的可视化

理论上，ECG 全景图具有无限视图。由于空间限制，研究人员展示了 24 个统一视图。分布在球体上的视图以显示实验效果。心电图专家认为，这些心电图全景图具有很高的可信度。

从头生成的心电图的可视化

如下图所示研究方法显着优于专门的 ECG de novo SOTA 模型 SimGAN：

研究表明还有更多值得进一步探索的问题：

Nef-Net模型的输入是归一化的心电样本，忽略心电信号幅度的影响。事实上，心电信号的幅度在实际临床实践中非常重要。 “如何使用模型处理未归一化的心电样本，同时保持良好的真实性”是未来的探索方向。

Nef-Net 本身并不是专门用于从头开始生成心电图的模型，但它可以生成比专门的心电生成模型（如 SimGAN）更真实的心电信号。 “如何利用Nef-Net的经验生成ECG GAN和VAE模型，生成更真实的ECG样本”也是一个值得探索的问题。

目前Nef-Net没有考虑疾病对ECG全景图生成的影响，从头生成与疾病相关的ECG信号和ECG全景图生成的问题也值得进一步探索。

有兴趣的读者可以查看原论文了解更多详情。

WAIC人工智能开发者论坛：后深度学习人工智能时代

文章来源：《医学信息》 网址: http://www.yxxxbjb.cn/zonghexinwen/2021/0708/1650.html