用深度学习探索如何拯救心脏病患者生命

阿兰·泽姆科询问一名项目实习生对哪方面的研究感兴趣。他们家族有心脏病史，并希望利用数学来研究如何改进治疗方法。

“我知道机器学习可以帮助解决心脏疾病治疗中的问题，”阿兰说，他曾致力于优化交通等领域的决策。“但我们需要找到一位在心脏病学领域工作的专家合作伙伴。” 他从大学研究中心 CORMSIS 的一位成员那里了解到，当地有一位临床医生或许能提供帮助。

在与南安普顿大学医院的心脏病研究人员会面后，阿兰获得了一个需要解决的问题。这将使他和他的团队开发出一种方法，让心脏病学家能够迅速评估大量心脏活动数据，以判断治疗方法是否适合患者。

医院需要评估更多心脏活动数据

心脏病学研究员保罗·罗伯茨 (Paul Roberts) 教授强调，与传统起搏器相比，另一种替代方案可以挽救生命，但并不适用于每个个体。

这些皮下或皮下心脏除颤器（S-ICD）在检测到需要恢复心脏自然节律时会电击患者。但他强调，一些人的心脏电活动容易触发不必要的、潜在有害的电击。

医院使用心电图（ECG）仅对一个人的心脏活动进行几秒钟的测试，可能很难发现可能导致此类不必要电击的电波。

心脏病学家们知道，观察一个人心脏的电波数据在一段时间（而非几秒钟）内的变化，将更准确地指示患者是否适合进行除颤。但他们不知道如何实现这一点。

阿兰回忆起与保罗的会面时表示：“我们明白，更准确地识别不适合 S-ICD 的患者是一个重要问题。”

医生和患者讨论心脏活动数据。心脏病学家需要一种更好的方法来筛选适合传统起搏器替代疗法的患者。

研究如何评估大量数据

因此，阿兰、他的博士生安东尼·邓恩 (Anthony Dunn) 和同事斯特凡诺·科尼利奥 (Stefano Coniglio) 面临着一项挑战。“心脏病学家如何解释在一天内收集到的大量电波数据？”阿兰说道。

“这并不容易。首先，我们没有任何数据。我们需要训练一个深度学习模型来识别模式，为此，你需要真实的患者数据。这个领域已经建立了许多算法，但针对这个问题还没有。”

因此，这组数学家与心脏病学研究人员团队合作，从 37 名患者中收集和准备数据。

一个更大的挑战是如何分析一个人在 24 小时内产生的复杂电脉冲数据。

心脏病学家可自行使用的工具

研究团队的解决方案是将心脏活动数据通过称为相空间重构的数学技术转化为图形形式。通过这种方式，他们制作了图表，并用于训练深度学习模型以识别模式。

通过这种方式，作为名为 Deep S-ICD 的软件部署的模型可以揭示出具有可能会被除颤器误读的电波活动的患者。

合作研究团队正在与医学研究委员会讨论资助临床试验的问题。他们的目标是使该工具获得批准，以便心脏病学家能够自行决定患者的治疗方案。