吳恩達帶領的斯坦福機器學習組(Stanford ML Group)最近開發了一種深度學習新算法，能診斷14類心律不齊，準確率可以媲美人類醫生。
他們的論文周四公布在了Arxiv上，題為Cardiologist-Level Arrhythmia Detection with Convolutional Neural Networks，用卷積神經網絡進行心髒病專家級的心律不齊檢測，作者包括Pranav Rajpurkar、Awni Hannun、Masoumeh Haghpanahi、Codie Bourn和吳恩達。
△ iRhythm的可穿戴心電圖監測器Zio
他們和可穿戴心電圖監測設備廠商iRhythm合作，收集並標注了來自29163名患者的64121份心電圖數據，以200 Hz的頻率采樣，構建了大規模的訓練集和校驗集，用來訓練神經網絡。
隨後，他們又從328名患者處收集了336份心電圖數據，構成了測試集。
數據集中的心電圖樣本每段30秒，都經過專業醫生標注。測試集的數據標注則經過3名心髒病專家組成的委員會“會診”得出。
為識別心電圖，他們構建了34層神經網絡，包括33個卷積層、一個全連接層和softmax，以原始心電圖時間序列為輸入，每秒輸出一次預測標簽。
下圖展示了這個深度神經網絡的結構：
結果
最後，他們找了6名心髒病專家，分別從測試集的心電圖中識別心律不齊，又以3名專家會診的結果作為標準，將人類識別的結果、算法識別的結果與之進行比較。
他們發現，算法的準確率與受過專業訓練的人類心髒病專家相當，在很多情況下甚至比人類更好。
上圖藍色表示算法的識別成績，黃色是人類專家的識別成績；Sequence F1表示算法/人類預測與標準結果之間多個標簽平均重合度，Set F1表示唯一分類標簽的重合度。
識別準確率差不多的情況下，這個算法與人類相比有著巨大優勢：它看幾百小時的心電圖也不會累，可以持續、即時地診斷心律不齊。
長期來看，斯坦福ML組希望能借助專家級的心律不齊識別算法，讓更多無法及時就醫的人能獲得診斷，也希望能讓可穿戴設備在危險的心律不齊發生時，能及時進行提醒。
吳恩達說，這正是深度學習提高患者診斷質量、幫醫生節約時間的機會之一。
