用机器学习与预测建模重新思考多尺度心脏电生理学
机器学习
2018-10-22 v1 动力系统
组织与器官
机器学习
摘要
我们回顾了使用机器学习与预测建模分析心脏电生理学数据的一些最新方法。心律失常,尤其是心房颤动,是一项全球性的重大医疗挑战。治疗通常通过导管消融进行,该方法涉及对负责引发或维持心律失常的心肌区域进行靶向局部破坏。消融靶区要么按解剖结构定义,要么根据其功能特性识别,这些特性通过现代电解剖标测系统以不断增加的空间密度获取的接触式心内电图分析来确定。尽管过去几十年里已研究了许多定量方法来识别这些关键治愈位点,但鲜有方法在成功率上带来可靠且可重复的进展。机器学习技术,包括近期的深度学习方法,为从现有方法难以分析的这一海量高度复杂时空信息中获得新见解提供了潜在途径。结合预测建模,这些技术为推进该领域并产生更精确的诊断和稳健的个性化治疗带来了令人振奋的机遇。我们概述了其中一些方法,并展示了它们在根据接触式心电图进行预测以及增强预测建模工具方面的应用,既通过更快速地预测系统未来状态,也通过从实验观测中推断这些模型的参数。
引用
@article{arxiv.1810.04227,
title = {Rethinking multiscale cardiac electrophysiology with machine learning and predictive modelling},
author = {Chris D. Cantwell and Yumnah Mohamied and Konstantinos N. Tzortzis and Stef Garasto and Charles Houston and Rasheda A. Chowdhury and Fu Siong Ng and Anil A. Bharath and Nicholas S. Peters},
journal= {arXiv preprint arXiv:1810.04227},
year = {2018}
}