Waarom vertrouwt u ons bedrijf?
We halen de paniek uit de inkoop. We hebben miljoenen moeilijk te vinden onderdelen uit onze vertrouwde bronnen op voorraad. We vernieuwen onze productvermeldingen met minuten en online aankopen worden in realtime voltooid en elke dag verzonden.
MFGChips, opgericht in 2002, is een lokale leider in de distributie van elektronische componenten en wordt tegenwoordig ook erkend als een van de meest gerespecteerde en innovatieve bedrijven op de lokale markt. MFGChips heeft zijn hoofdkantoor in Hong Kong en heeft een indrukwekkende reputatie opgebouwd voor het leveren van uitstekende service en het ontwikkelen van efficiënte, uitgebreide wereldwijde supply chain-oplossingen.
Kom meer te weten >
Machine learning ontdekt hartfouten
Het team testte hun aanpak op 11 gedoneerde menselijke harten en lokaliseerde AF-stuurprogramma's met een nauwkeurigheid tot 81%.
Multi-electrode mapping (MEM) is een techniek die kan worden toegepast tijdens een operatie, waarbij een reeks elektroden tegen weefsel wordt gedrukt om elektrische activiteit te meten. Maar AF-stuurprogramma's zijn moeilijk te lokaliseren met voldoende betrouwbaarheid of nauwkeurigheid met behulp van deze techniek - omdat het doel is om de AF-stuurprogramma vanuit het hartweefsel weg te branden - gerichte ablatie genaamd.
Er is een techniek die AF-stuurprogramma's nauwkeurig kan lokaliseren, genaamd sub-surface near-infrarood optische mapping (NIOM), die een resolutie van 0,3 mm heeft, maar zo invasief is dat deze tijdens een operatie niet in iemand kan worden gebruikt.
Het team stelde zichzelf de vraag: kunnen gelijktijdige MEM- en NIOM-gegevens die zijn verzameld uit gedoneerde harten worden gebruikt om een machine te trainen om nauwkeurig AF-stuurprogramma's te lokaliseren met alleen MEM-gegevens.
En de resultaten van deze proof-of-concept-studie - dat in 81% van de gevallen MEM-gegevens alleen al in staat zouden zijn om ablatie met voldoende nauwkeurigheid te sturen - zijn veelbelovend.
"Het getrainde ML-model kan AF-stuurprogramma's op MEM lokaliseren, wat betekent dat het mogelijk in de kliniek kan worden gebruikt", vertelde Alexander Zolotarev, PhD-student aan het Skolkovo Institute of Science and Technology in Moskou, aan Electronics Weekly.
"De gegevensset van 11 menselijke harten is zowel onbetaalbaar als te klein", zei collega-onderzoeker Dmitry Dylov. "We realiseerden ons dat voor klinische vertaling een veel grotere steekproefomvang nodig zou zijn voor representatieve steekproeven."
Voor MEM-metingen werden twee 8 x 8 elektrode-arrays geprobeerd, een met een pitch van 3 mm en een met 9 mm, terwijl camera's bekeken werden om NIOM te implementeren (zie diagram).
Het team op de Heart Rhythm Society-conferentie van 2019
Bij training en gebruik werden signalen van de elektroden Fourier getransformeerd in het frequentiedomein, waarna de hoogtes en posities van frequentiepieken werden verwerkt tot gegevens voor leren of instantiatie.
De 3 mm-array gaf meer bruikbare resultaten, maar beide hadden voordelen.
"Het algemene ML-model combineert de gegevens van beide MEM-arrays", zei Zolotarev. "Maar slechts één van de arrays kan worden gebruikt tijdens het in kaart brengen, ze kunnen niet tegelijkertijd worden geïmplementeerd."
‘Optische mapping-gevalideerde machine learning verbetert de detectie van atriale fibrillatiedrivers door het in kaart brengen van meerdere elektroden’ beschrijft het werk in detail in het AHA-tijdschrift Circulation: Arrhythmia and Electrophysiology. Alleen een abstract is gratis beschikbaar.
Skolkovo Institute of Science and Technology werkte samen met het Wexner Medical Center van de Ohio State University en het Russian Center of Computational and Data-Intensive Science and Engineering.
Diagramtegoed: Pavel Odinev Skoltech
Fotocredit: Fedorov lab Ohio State