ABBRENT, J. Identifikace segmentů supraventrikulárních tachykardií pomocí metody multiple-instance learning [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2022.
Student Jakub Abbrent se ve své práci zabýval algoritmy pro lokalizaci paroxysmální fibrilace síní (FiS) v EKG. Při návrhu předloženého postupu se inspiroval řešením dostupným na UBMI, které musel přizpůsobit stanoveným cílům a použitému datasetu. Při optimalizaci architektury klasifikátoru využíval poznatků z velkého množství kvalitních literárních zdrojů. Originální studentova práce měla především spočívat ve vhodném zpracování příznakové mapy, která je generovaná s využitím multiinstančního učení, v rámci globální klasifikace dat pomocí hluboké neuronové sítě. Další stěžejní části je algoritmus pro detekci začátků a konců patologických úseků v příznakovém signálu odvozeném z příznakové mapy. Studentovi se podařilo dostat k slibným výsledkům, avšak odevzdané řešení stále má řadu nedostatků, které – při větší snáze a efektivnějším časovém rozvržení práce – mohly byt jednoduše odstraněny. Předložený algoritmus je založen na souboru jednoduchých pravidel, která nerespektují některé reálně se vyskytující situace. Algoritmus např. nedokáže korektně určit začátek/konec úseku FiS, který „zasahuje“ do analyzovaného EKG pouze částečně. Odvozený příznakový signál je citlivý vůči patologickým změnám a zároveň je schopen reagovat na krátkodobé „návraty“ aktivity srdce do normálu, což v některých případech vede k lokalizaci FiS, která je „falešně přerušená“ úseky sinusového či jiného rytmu. Místo propojení těchto úseků FiS do jedné události, algoritmus vybírá pouze jeden z nich, což vede ke značnému snížení přesnosti lokalizace. Těmto i jiným nedostatkům by šlo předejit, kdyby student pracoval více systematicky, důkladněji ověřoval následky každého kroku zpracování/analýzy dat a více zapojoval vlastní kreativitu v průběhu semestru. Odevzdané řešení tak nabízí širokou škálu možností pro navazující výzkum (např. v oblasti dolovaní informací z příznakových map, zpřesnění lokalizace různých událostí, rozšíření na další typy arytmií apod.). Oceňuji vyhodnocení, interpretaci a grafickou dokumentaci výsledků na několika úrovních, včetně globální detekce FiS v EKG, diferenciace mezi paroxysmální a perzistentní FiS a, nakonec, detekce začátků/konců úseků s FiS. Kladně hodnotím vhodné předzpracování surových EKG a rozšíření databáze s využitím standartních augmentačních technik. Formální a stylistická stránka práce je na vysoké úrovni. Zadání je splněno v plném rozsahu. Vzhledem k výše uvedeným komentářům hodnotím práci stupněm C/75 b.
Student Jakub Abbrent se ve své diplomové práci zabýval identifikací segmentů supraventrikulárních tachykardií pomocí metody multiple-instance learning. Práce je psaná česky, má 60 stran (úvod-závěr) rozdělených do 5 hlavních kapitol. Teoretická část práce začíná popisem supraventrikulárních tachykardií, je popsáno EKG a několik typů tachykardie. V této části student mimo jiné spojuje výskyt AV blokády s fibrilací síní, což se v odborných kruzích považuje spíše za kontroverzní. Podle obrázku s ukázkami paroxysmální a perzistující fibrilace síně se zdá, že autor poukazuje na morfologické rozdíly těchto arytmií, což není správně. Vyskytují se i další faktické nepřesnosti. V části zabývající se hlubokým učením potom autor popisuje konvoluční neuronové sítě, jejich jednotlivé části, optimalizační přístupy a hyperparametry. Dále pak popisuje několik druhů sítí a multi-instanční učení. V podkapitole o metrikách hodnotících kvalitu modelu nechápu zavádění zkratky PPH (pozitivní prediktivní hodnota), když i v české literatuře se běžně užívá PPV (positive predictive value). Dále student popisuje použitý dataset sloužící ke klasifikaci na paroxysmální a perzistentní fibrilaci síně. Dohromady využívá data od 47 pacientů trpících touto arytmií, kdy neodděluje žádné pacienty speciálně pro testovací dataset. Dochází tedy k prolínání dat mezi trénovacím a testovacím datasetem. Dále není zřejmé, zda skutečně do skupiny paroxysmální fibrilace zařadil autor chybně i uvedených 22 záznamů flutteru síně. V rámci předzpracování dochází k filtraci driftu izolinie. Tento krok nedává smysl v souvislosti s následnou augmentací dat v podobě zašumění signálu, jeho převrácení, nebo vynásobení koeficientem. V praktické práci autor implementuje model velmi inspirovaný jedním ze zdrojů. V prvním kroce klasifikuje záznamy binárně - s a bez přítomnosti fibrilace síně. Následně potom pomocí pravidel rozhoduje, zda se jedná o paroxysmus nebo perzistenci fibrilace. Práh pro nalezení začátku a konce paroxysmu fibrilace byl nastaven bez vysvětlení na směrodatnou odchylku signálu, ale lokalizuje poměrně přesně. Autor prezentuje výsledky pro 3 modely: Default, Optim1 a Optim2, ale nikde není srovnáno, v čem se od sebe modely liší. Závěrem jsou potom výsledky diskutovány a porovnány s dostupnou literaturou. Po formální stránce hodnotím práci jako průměrnou. Text je poměrně čtivý, nicméně jeho kvalitu značně snižuje vágní, mnohdy až nepřesné vyjadřování (“...správně klasifikovat koše metod hlubokého učení…”). Překlepy se vyskytují zřídka. Některé obrázky jsou nižší kvality, u příznakových map chybí jakákoliv nápověda pro orientaci (jednotka, popis os a škály). Autor využil 66 zdrojů převážně zahraniční literatury, které cituje podle normy. Práci hodnotím stupněm D/62 bodů.
eVSKP id 142091