0
雷鋒網 AI 開發(fā)者按：在之前「肺炎 X 光病灶識別」挑戰(zhàn)賽（http://www.ozgbdpf.cn/news/201912/NR3B38DX4OZ2b5Xv.html）中，我們談到了 AI 在醫(yī)療領域的廣泛作用與積極意義，并且也進一步了解到對于大量重復性勞動的現實場景，人工智能在檢測中展現出的強大性能。
今天，我們又推出了全新的「心跳異常檢測」挑戰(zhàn)賽，希望能夠通過該類型數據的檢測，幫助 AI 開發(fā)者們更深入對檢測技術的研究與優(yōu)化。
心跳（心率）是否正常與我們的健康密切相關，在 AI 應用中，開發(fā)者可以通過建模，實現對 PTB 心電圖的心跳圖像數據檢測。
通常建模涵蓋了三類變量，包括：不同的心電圖脈沖/形式，不同的人隨時間變化的脈搏數據，以及是否患有梗塞的診斷結果，它們也是建模中的非常重要的數據。
圖片來源：Mateusz Dymczyk
除此之外，解耦表示即讓嵌入中的每個元素對應一個單獨的影響因素，并能夠將該嵌入用于分類、生成和零樣本學習也是非常重要的一步。
這里常用的解決方案是由 DeepMind 實驗室基于變分自編碼器開發(fā)的β -VAE 算法，相比重構損失函數（restoration loss），該算法更加注重潛在分布與先驗分布之間的相對熵。它可以從輸入數據中提取影響變量的因素，提取的因素包括物理運動的方向、對象的大小、顏色和方位等等。
對心電圖的心跳進行解耦 圖片來源：百度
更多細節(jié)，參見 beta-VAE 論文地址：
除了檢測心跳是否正常之外，今年的一項新的研究報告也表示，研究人員已經開發(fā)出一種神經網絡方法。該方法可通過分析一次原始心電圖（ECG）心跳，實現 100% 準確地識別充血性心力衰竭。
這一方法利用了卷積神經網絡（CNN）來解決對充血性心力衰竭這些重要的問題的精準檢測，結果表明，層次神經網絡在識別數據中的模式和結構方面非常有效。
神經網絡的結構 圖片來源：百度
而根據 Mayo Clinic 的一項新研究，一種新的人工智能（AI）輸注心電圖算法還能夠成功識別心房顫抖（atrial fibrillation，AFib）。
研究結果表明，單個 AI 啟用的 ECG 識別房顫，AUC 為 0.87（95％CI，0.86-0.88），敏感性為 79％，特異性為 79.5％，F1 評分為 39.2％，總體準確性 79.4。而這些結果可以減少檢測房顫診斷所需的時間。
圖片來源：百度
從實際應用場景及其高準確率來看，AI 病理診斷技術確實可大幅縮短醫(yī)生的工作量，并展示出高準確率的效果，同時，這些技術也提高放射學、病理學等依賴醫(yī)學圖像數據支持領域的診斷效率。
本次挑戰(zhàn)賽，AI 研習社（https://god.yanxishe.com/）圍繞內容識別技術展開，并將其聚焦于醫(yī)療領域的「心跳異常檢測」主題。
圖片來源：AI 研習社
開始時間：2020-1-10 09:00:00
結束時間：2020-2-09 00:00:00
通過對比賽使用的 PTB 心電圖數據集檢測（輸入電壓 ±16 mV；輸入電阻（DC）100Ω），參賽選手需要正確分辨出心跳正常與心跳異常兩種類型的數據即可。
圖片來源：百度
本次比賽的數據集包含 16 個輸入；其中包含了：14 個心跳數據，1 個呼吸數據，1 個電壓數據。其中，部分相關數據詳情為：
頻率 每秒 1000 次掃描
分辨率 16 位；
帶寬 0-1 kHz
數據集示例 圖片來源：AI 研習社
數據集下載鏈接：
最終提交結果文件如下所示，其中，第一個數據為測試集圖片 ID（即文件名）；選手需判斷分類數據集包含的心跳正常、心跳異常兩種類型數據，最終輸出：正常=0，不正常=1。具體結果文件示例：
ps：建議使用 UTF-8（bom）編碼，提交前請確認結果文件預測樣本數量為 1000 條，數量不足可能導致無法評分。
整個比賽的評審完全透明化，我們將會對比選手提交的 csv 文件，確認正確識別樣本數據，并在每日 24:00 將最新結果更新在官網排行榜上。下面的計算得分公式中：
True：模型分類正確數量
Total ：測試集樣本總數量
更多信息，可進入參賽主頁查看： https://god.yanxishe.com/21
雷鋒網 AI 開發(fā)者 雷鋒網
雷峰網原創(chuàng)文章，未經授權禁止轉載。詳情見轉載須知。
