Forskere på Mount Sinai har brugt maskinlæring til at udvikle en ny analysemodel for elektrokardiogrammer (EKG) kaldet HeartBEiT.
HeartBEiT blev forudtrænet på et kolossalt datasæt med 8,5 millioner EKG'er fra 2,1 millioner patienter og klarede sig bedre end klassiske convolutional neural networks (CNN'er).
EKG'er er allestedsnærværende diagnostiske undersøgelser af hjertet, og der udføres omkring 100 millioner om året alene i USA.
Et EKG måler den elektriske aktivitet i hjertet og er meget informativ om en lang række rytmeforstyrrelser, unormal hjerteaktivitet i forbindelse med hjerteanfald og andre former for hjertesygdomme. Problemet med EKG'er er, at mange af de mere subtile indikationer er svære at fortolke, især når det gælder sjældne hjertesygdomme.
Før denne undersøgelse var maskinlæring (ML) allerede blevet anvendt på EKG-billeder for automatisk at markere og klassificere unormale resultater. Det øger diagnosticeringshastigheden og -nøjagtigheden og reducerer risikoen for kliniske fejl.
Mount Sinai, et hospital og forskningsnetværk i New York, trænede en visionsbaseret transformatormodel på 8,5 millioner EKG-scanninger.
Modellen adskiller sig især fra convolutional neural networks (CNN), som er det mest almindelige neurale netværk til billedklassifikationsopgaver. Den undersøgelsesom er offentliggjort i Nature, viser, at modellen klarede sig bedre end andre modeller til at identificere forskellige hjertesygdomme.
Sådan fungerer HeartBEiT
CNN'er til billedklassificering involverer overvåget maskinlæring, hvilket betyder, at de kræver store mængder mærkede data, som kan være arbejdskrævende at indsamle og kommentere. Omvendt bruger HeartBEiT uovervågede teknikker til at lære fra et stort datasæt, hvilket giver et fundament for downstream-tuning til mere specifikke opgaver.
Forskerteamet brugte DALL-E-modellen, som er skabt af OpenAI. DALL-E lærer relationerne mellem tokens. I dette tilfælde er dele af EKG-billederne - tokens - stort set analoge med ord i en sætning.
Modellen lærer deres forhold til hinanden, hvilket giver den mulighed for at udpege unormale tokens, der indikerer hjerteproblemer.
HeartBEiT's forudsigelser blev sammenlignet med standard CNN-arkitekturer for flere hjertesygdomme og klarede sig bedre end dem ved mindre prøvestørrelser.
En af forfatterne, Akhil Vaid, er instruktør i datadrevet og digital medicin (D3M) ved Icahn School of Medicine på Mount Sinai, sagde: "Vores model klarede sig konsekvent bedre end convolutional neural networks [CNN'er], som er almindeligt anvendte maskinlæringsalgoritmer til computersynsopgaver."
Derudover var HeartBEiT i stand til at fremhæve det specifikke område af EKG'et, der var forbundet med abnormiteten.
En anden forfatter, Girish Nadkarni, MD, MPH, direktør for The Charles Bronfman Institute of Personalized Medicine, sagde: "Neurale netværk betragtes som sorte bokse, men vores model var meget mere specifik i forhold til at fremhæve det område af EKG'et, der er ansvarligt for en diagnose, såsom et hjerteanfald, hvilket hjælper klinikere til bedre at forstå den underliggende patologi."
"Til sammenligning var CNN-forklaringerne vage, selv når de korrekt identificerede en diagnose."
AI's rolle i medicinsk forskning og udvikling er veletableret, og dette er endnu et eksempel på den innovative genanvendelse af modeller for maskinlæring (ML) til medicinske formål.
