本文翻译于原标题Algorithm matches human cardiologists in detecting heart attacks的文章 。
心肌梗死、心脏病的发作是由于血管阻塞干扰了了心肌的血液供应。对应的治疗方法主要有两种：使用球囊或支架扩大主要动脉以使血液再次流动，通过冠状动脉旁路手术绕过阻塞而提供供血。
但不管是哪种方式，及时治疗才能保证病人的存活，所以快速诊断非常重要。这对于乱如战场的急诊室来说，心脏病病人的发作的迹象不容易被发现，由此带来的后果很严重。
因此，一种能够准确、可靠地、并且能自动地识别发病信号的方法将对病人有巨大的好处。但现今的自动心脏监测系统，可靠性依然比训练有素的心脏病专家差。
近日，德国的Nils Strodthoff和Claas Strodthoff（分别来自德国柏林市的Fraunhofer Heinrich Hertz Institute研究所、德国基尔市的施勒苏益格-荷尔斯泰因大学医学中心）发表研究，告知大众他们已经研究出一种可以识别心肌梗死迹象的神经网络系统，并且称搭载系统的这台机器可以与人类心脏病专家的诊断效果扳扳手腕。
目前来看，诊断心脏病发作的最好方法是使用心电图仪来测量心脏的电输出。一个标准的心电图能记录下来自人身体中12个不同部位的信号。
这些信号以不同的方式揭示心脏的电行为。心脏病学家早就知道，在心脏病发作时，这些线索中的一些信号在诊断上比其他任何方式都更有效。
但解读这些数据是很困难的。临床医生首先要找出一些基本的信号，忽略任何噪音或损坏的数据，然后排除个别的心跳，然后需要找到预定义的或自动检测的时间间隔和每个节拍的电压值。
最后，医生必须在心跳中识别一些特征，并据此划分病人的病情。由于存在一种称为“ST段抬高”的信号，这个过程变得更加复杂。有这种信号的病人应尽快得到治疗，而没有这种信号的病人则需要更进一步检验。
检验心脏病的过程其实很不容易。事实上，不规则或不寻常的心跳、噪音和数据损坏都会对这个过程增加难度，而所有这些干扰在急诊室中都很常见，所以在存在很多干扰信号时，医生的表现明显优于机器并不奇怪。
近年来，神经网络在人脸和物体识别等图像识别问题上取得了长足的进步。将这些技术应用到医学中有很大的发展可能性，其中心电图的图像识别就是其中的一个方向。
Nils Strodthoff和Claas Strodthoff就是这样做的，他们建立了148个心电图记录的数据库，这些记录来自心肌梗死患者和52个健康对照组。他们使用滑窗技术向神经网络提供数据，其中每个窗口至少包含3个心跳。
研究小组将90%的数据用于训练神经网络，以发现心脏病发作的迹象。
其余的数据被用来测试网络，其结果非常有趣。Nils Strodthoff和Claas Strodthoff说:“我们提出的检测体系在当前的数据库中打败了目前最先进的方法，并且达到了与人类心脏病学家相似的水平。”
这一重要结果表明，智能机器有潜力极大地改善医疗诊断。当然，这种方式并不完美。
一个潜在的问题是这里使用的数据库相对较小。机器学习算法通常需要大量的带注释的数据库才能很好地学习。创建更大的心脏病记录数据库是非常耗时、非常困难的。但只有使用更大的数据库，临床医生才能确保算法在医生工作的各种混乱环境中是准确的。
但这种方法的潜力是巨大的。机器可以减轻医生这些单调乏味并易出错的判断劳动并减少人力成本。Nils Strodthoff和Claas Strodthoff研究出来的方法适用于任何时间序列的分类问题，如来自ECGs和EEGs等设备的原始数据，所以也可能运用于其他场景。
这就意味着，在不久的将来，我们大多数人，或者至少有一部分人，将会通过机器来诊断病情。