Automatická detekce infarktu myokardu z EKG záznamů s využitím analýzy ST segmentů

Abstract

Tato diplomová práce se zaměřuje na automatickou detekci infarktu myokardu (IM) z 12svodového EKG pomocí metod strojového učení (ML). Navíc byla práce rozšířena o lokalizaci třech nejčastějších typů IM: dolní, boční a přední stěny. Pro detekci a lokalizaci IM byly vybrány interpretovatelné metody ML: KNN, LDA, SVM a souborové metody založené na rozhodovacích stromech (RF, ET, XGBoost, CatBoost). Jednotlivé detektory a lokalizátory IM byly trénovány na příznacích, které byly extrahovány z 8201 různých EKG záznamů z databáze PTB-XL pro každý z 12 svodů. Primárně byly extrahovány příznaky spojené s ST segmentem. Následně, po provedení rešerše, bylo zjištěno, že i jiné příznaky reflektují IM. Proto byl příznakový prostor rozšířen o další atributy, které nutně nesouvisí s ST úsekem. Následovala objektivní selekce příznaků pokročilými metodami ML: rekurzivní eliminace příznaků (RFE), Fisherovo skóre. Dle výsledků detekce a lokalizace IM, selekční metoda RFE poskytla relevantnější příznaky než filtrace příznaků na základě Fisherova skóre. Metodou RFE byly vybrány pro detekci IM příznaky související především s ST úsekem. Na druhou stranu, pro lokalizaci IM byly metodou RFE vybrány příznaky související s QRS komplexem. Za nejúspěšnější detektor IM je považován detektor založený na metodě XGBoost detekující IM na redukovávané sadě příznaků metodou RFE s přesností 86,71 %±0,90 %. V případě lokalizace IM nejlépe generalizoval model založený na metodě CatBoost na neredukované sadě příznaků s přesností 78,25 %±2,34 %. Navíc tato práce jako první využívá interpretovatelné metody ML k natrénovaní detektorů a lokalizátorů IM na databázi PTB-XL.

This thesis focuses on automatic detection of myocardial infarction (MI) from 12-lead ECG using machine learning (ML) methods. In addition, the work was extended to localize the three most common types of MI: inferior, lateral and anterior wall. Interpretable ML methods were selected for MI detection and localization: KNN, LDA, SVM and ensemble methods based on decision trees (RF, ET, XGBoost, CatBoost). Individual MI detectors and localizers were trained on features extracted from 8201 different ECG recordings from the PTB-XL database for each of the 12 leads. Features associated with the ST segment were primarily extracted. Subsequently, after performing a search, other features were found to reflect MI. Therefore, the feature space was expanded to include additional attributes not necessarily related to the ST segment. This was followed by objective feature selection using advanced ML methods: recursive features elimination (RFE), Fisher score. According to the results of MI detection and localization, the RFE selection method provided more relevant attributes than attributes filtering based on Fisher score. When features were selected for MI detection, the RFE method mainly related to the ST segment. On the other hand, for MI localization, features related to the QRS complex were selected by RFE method. The most successful MI detector is considered to be the XGBoost-based detector detecting MI on a reduced set of features by RFE with an accuracy of 86.71 %±0.90 %. In the case of MI localization, the CatBoost-based model generalized best to the non-reduced features set with an accuracy of 78.25 %±2.34 %. Moreover, this work is the first to use interpretable ML methods to train MI detectors and localizers on the PTB-XL database.