Algoritmos de Aprendizado Profundo para Classificação de Eletrocardiogramas

• Processo: 19/25153-0
• Linha de fomento: Auxílio à Pesquisa - Regular
• Vigência: 01 de fevereiro de 2021 - 31 de janeiro de 2023
• Área do conhecimento: Engenharias - Engenharia Biomédica - Bioengenharia
• Convênio/Acordo: CONFAP - Conselho Nacional das Fundações Estaduais de Amparo à Pesquisa
• Pesquisador responsável: Marco Antonio Gutierrez
• Beneficiário: Marco Antonio Gutierrez
• Instituição-sede: Instituto do Coração Professor Euryclides de Jesus Zerbini (INCOR). Hospital das Clínicas da Faculdade de Medicina da USP (HCFMUSP). Secretaria da Saúde (São Paulo - Estado). São Paulo , SP, Brasil
• Pesq. associados: Baldoino Fonseca dos Santos Neto ; Carlos Alberto Pastore ; Idágene Aparecida Cestari ; José Eduardo Krieger ; Márcio de Medeiros Ribeiro ; Marina de Fátima de Sá Rebelo ; Nelson Samesima ; Ramon Alfredo Moreno
• Assunto(s): Aprendizado computacional Classificação Eletrocardiografia Processamento de sinais

Resumo

O uso de sistemas de telemedicina permite ampliar a assistência médica cardiológica para as populações de regiões carentes e mais afastadas de centros urbanos. Isso é especialmente importante em nosso país, de dimensões continentais e com milhões de pacientes usuários do sistema público de saúde. Este projeto tem como objetivo o desenvolvimento de uma ferramenta de análise e classificação de sinais de eletrocardiograma (ECG) quanto aos estados de normalidade ou alteração. O conjunto de algoritmos a serem desenvolvidos poderá estender os classificadores para incluir categorias que também permitam o diagnóstico de arritmias e infarto agudo do miocárdio. Como múltiplos distúrbios podem se apresentar concomitantemente em um único ECG, exploraremos abordagens de classificação para múltiplos rótulos (multi-label classification). O treinamento desses classificadores será realizado a partir da base de dados do Instituto do Coração (InCor-HC-FMUSP), incluindo mais de 200 mil registros de ECG e laudos associados. Além disso, levaremos em consideração as variáveis clínicas e sócio-demográficas dos indivíduos, que potencialmente influenciam o diagnóstico. Para a extração das características, consideraremos técnicas de aprendizado profundo (deep learning) supervisionadas. Inicialmente, exploraremos variantes de redes neurais convolucionais para extrair informações diretamente das imagens dos traçados eletrocardiográficos. Em um segundo momento, para que informações temporais dos sinais sejam levadas em conta, desenvolveremos uma ferramenta de conversão das imagens em sinais digitais e, então, exploraremos variantes de redes neurais recorrentes. Além disso, consideraremos uma abordagem de classificação baseada tanto em características extraídas manualmente dos sinais digitais como em características aprendidas por técnicas de aprendizado profundo. (AU)