Создание мультимодального инструмента для пространнственно-временной характеризации мерцательной аритмии сердца человека с помощью машинного обучения

Мерцательная аритмия (AF) является наиболее распространенной устойчивой аритмией и значительной причиной заболеваемости и смертности. Несмотря на распространенность этого заболевания и многолетние исследования причин возникновения аритмии, она до сих пор полностью не изучена, что усложняет успешное лечение. Клиническое электродное картирование выявило, что мерцательная аритмия может поддерживаться локализованными драйверами, которые являются областями быстрой нерегулярной проводимости в предсердии. Однако точность определения драйвера AF ограничена низким пространственным разрешени- ем существующих клинических методов картирования. Цель этой работы улучшить распознование предсердной фибрилляции путем интеграции клинического электродного картирования с двусторонним оптическим картированием ближнего инфракрасного диапазона высокого разрешения (NIOM). Используя методы машинного и глубокого обучения мы представляем новый подход к решению задачи распознавания драйверов в предсердии человека. Уникальные электродные и оптические данные из Университета штата Огайо были предварительно обработаны, избавлены от лишнего шума и классифицированы различными моделями машинного обучения и сверточными нейронными сетями. Обученные на данных оптического картирования NIOM с высоким разрешением, класси- фикаторы могут эффективно различать электродные сигналы с патологических участков с драйверами от электроных сигналов полученных с областей без драйвера анализируя особенности спектра Фурье. Дальнейшее применение моделей, обученных с использованием данных NIOM, может повысить точность определения драйвера AF во время применения клинического электродного картирования и позволит проводить более успешные точечные катетерные абляции.