0
雷鋒網(wǎng) 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(lǐng)域的廣泛作用與積極意義，并且也進(jìn)一步了解到對于大量重復(fù)性勞動的現(xiàn)實場景，人工智能在檢測中展現(xiàn)出的強(qiáng)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(shù)據(jù)的檢測，幫助 AI 開發(fā)者們更深入對檢測技術(shù)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(guān)，在 AI 應(yīng)用中，開發(fā)者可以通過建模，實現(xiàn)對 PTB 心電圖的心跳圖像數(shù)據(jù)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(shù)據(jù)，以及是否患有梗塞的診斷結(jié)果，它們也是建模中的非常重要的數(shù)據(jù)。
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(yīng)一個單獨(dú)的影響因素，并能夠?qū)⒃撉度胗糜诜诸?、生成和零樣本學(xué)習(xí)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(gòu)損失函數(shù)（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(shù)據(jù)中提取影響變量的因素，提取的因素包括物理運(yùn)動的方向、對象的大小、顏色和方位等等。
對心電圖的心跳進(jìn)行解耦 圖片來源：百度
更多細(xì)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(jīng)開發(fā)出一種神經(jīng)網(wǎng)絡(luò)方法。該方法可通過分析一次原始心電圖（ECG）心跳，實現(xiàn) 100% 準(zhǔn)確地識別充血性心力衰竭。
這一方法利用了卷積神經(jīng)網(wǎng)絡(luò)（CNN）來解決對充血性心力衰竭這些重要的問題的精準(zhǔn)檢測，結(jié)果表明，層次神經(jīng)網(wǎng)絡(luò)在識別數(shù)據(jù)中的模式和結(jié)構(gòu)方面非常有效。
神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 圖片來源：百度
而根據(jù) 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(jié)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％，F(xiàn)1 評分為 39.2％，總體準(zhǔn)確性 79.4。而這些結(jié)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(yīng)用場景及其高準(zhǔn)確率來看，AI 病理診斷技術(shù)確實可大幅縮短醫(yī)生的工作量，并展示出高準(zhǔn)確率的效果，同時，這些技術(shù)也提高放射學(xué)、病理學(xué)等依賴醫(yī)學(xué)圖像數(shù)據(jù)支持領(lǐng)域的診斷效率。
本次挑戰(zhàn)賽，AI 研習(xí)社（https://god.yanxishe.com/）圍繞內(nèi)容識別技術(shù)展開，并將其聚焦于醫(yī)療領(lǐng)域的「心跳異常檢測」主題。
圖片來源：AI 研習(xí)社
開始時間：2020-1-10 09:00:00
結(jié)束時間：2020-2-09 00:00:00
通過對比賽使用的 PTB 心電圖數(shù)據(jù)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(shù)據(jù)即可。
圖片來源：百度
本次比賽的數(shù)據(jù)集包含 16 個輸入；其中包含了：14 個心跳數(shù)據(jù)，1 個呼吸數(shù)據(jù)，1 個電壓數(shù)據(jù)。其中，部分相關(guān)數(shù)據(jù)詳情為：
頻率 每秒 1000 次掃描
分辨率 16 位；
帶寬 0-1 kHz
數(shù)據(jù)集示例 圖片來源：AI 研習(xí)社
數(shù)據(jù)集下載鏈接：
最終提交結(jié)果文件如下所示，其中，第一個數(shù)據(jù)為測試集圖片 ID（即文件名）；選手需判斷分類數(shù)據(jù)集包含的心跳正常、心跳異常兩種類型數(shù)據(jù)，最終輸出：正常=0，不正常=1。具體結(jié)果文件示例：
ps：建議使用 UTF-8（bom）編碼，提交前請確認(rèn)結(jié)果文件預(yù)測樣本數(shù)量為 1000 條，數(shù)量不足可能導(dǎo)致無法評分。
整個比賽的評審?fù)耆该骰?，我們將會對比選手提交的 csv 文件，確認(rèn)正確識別樣本數(shù)據(jù)，并在每日 24:00 將最新結(jié)果更新在官網(wǎng)排行榜上。下面的計算得分公式中：
True：模型分類正確數(shù)量
Total ：測試集樣本總數(shù)量
更多信息，可進(jìn)入?yún)①愔黜摬榭矗?https://god.yanxishe.com/21
雷鋒網(wǎng) AI 開發(fā)者 雷鋒網(wǎng)
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
