Perché affidarti alla tua attività?
Eliminiamo il panico dagli appalti. Disponiamo di milioni di parti difficili da trovare dalle nostre fonti attendibili. Aggiorniamo i nostri elenchi di prodotti in pochi minuti e gli acquisti online vengono completati in tempo reale e spediti ogni giorno.
Fondata nel 2002, MFGChips è leader locale nella distribuzione di componenti elettronici ed è oggi riconosciuta come una delle aziende più rispettate e innovative nel mercato locale. Con sede ad Hong Kong, MFGChips si è guadagnata un'impressionante reputazione per la fornitura di un servizio eccezionale e lo sviluppo di soluzioni efficienti e complete per la catena di approvvigionamento globale.
Per saperne di più >
L'apprendimento automatico rileva i difetti cardiaci
Il team ha testato il proprio approccio su 11 cuori umani donati e ha individuato i conducenti di AF con una precisione fino all'81%.
La mappatura multielettrodo (MEM) è una tecnica che può essere applicata durante un'operazione, in cui una serie di elettrodi viene premuta contro il tessuto per misurare l'attività elettrica. Ma i driver AF si sono rivelati difficili da individuare con sufficiente affidabilità o precisione utilizzando questa tecnica - poiché l'obiettivo è quello di bruciare il driver AF dall'interno del tessuto cardiaco - chiamata ablazione mirata.
Esiste una tecnica in grado di individuare con precisione i driver AF, chiamata mappatura ottica nel vicino infrarosso sotto la superficie (NIOM), che ha una risoluzione di 0,3 mm, ma è così invasiva che non può essere utilizzata all'interno di qualcuno durante un'operazione.
Il team si è posto la domanda: i dati MEM e NIOM raccolti simultaneamente dai cuori donati possono essere utilizzati per addestrare una macchina a individuare con precisione i conducenti AF utilizzando solo i dati MEM.
E i risultati di questo studio proof-of-concept - che nell'81% dei casi i dati MEM da soli sarebbero in grado di guidare l'ablazione con sufficiente precisione - sono promettenti.
"Il modello ML addestrato può individuare i driver AF su MEM, il che significa che può essere potenzialmente utilizzato in clinica", ha detto a Electronics Weekly Alexander Zolotarev, studente di dottorato presso lo Skolkovo Institute of Science and Technology di Mosca.
"Il set di dati di registrazione di 11 cuori umani è impagabile e troppo piccolo", ha detto il collega ricercatore Dmitry Dylov. "Ci siamo resi conto che la traduzione clinica avrebbe richiesto una dimensione del campione molto più grande per un campionamento rappresentativo".
Per le misurazioni MEM, sono stati provati due array di elettrodi 8 x 8, uno con passo 3 mm e uno con 9 mm, mentre le telecamere hanno cercato di implementare NIOM (vedi diagramma).
Il team alla conferenza della Heart Rhythm Society del 2019
Durante l'addestramento e l'uso, i segnali degli elettrodi sono stati trasformati in Fourier nel dominio della frequenza, quindi le altezze e le posizioni dei picchi di frequenza sono state elaborate in dati per l'apprendimento o l'istanza.
L'array da 3 mm ha dato risultati più utili, ma entrambi hanno avuto dei vantaggi.
"Il modello ML generale combina i dati di entrambi gli array MEM", ha affermato Zolotarev. "Ma solo uno degli array può essere utilizzato durante la mappatura, non possono essere implementati contemporaneamente."
"L'apprendimento automatico convalidato dalla mappatura ottica migliora il rilevamento del driver della fibrillazione atriale mediante la mappatura multielettrodo" descrive il lavoro in dettaglio nella rivista Circulation: Aritmia ed elettrofisiologia dell'AHA. Solo un abstract è disponibile gratuitamente.
Lo Skolkovo Institute of Science and Technology ha collaborato con il Wexner Medical Center della Ohio State University e il Russian Center of Computational and Data-Intensive Science and Engineering.
Credito grafico: Pavel Odinev Skoltech
Credito fotografico: Fedorov lab Ohio State