Forscher am Mount Sinai haben mithilfe von maschinellem Lernen ein neuartiges Elektrokardiogramm (EKG)-Analysemodell namens HeartBEiT entwickelt.
HeartBEiT wurde auf einem riesigen Datensatz von 8,5 Millionen EKGs von 2,1 Millionen Patienten vortrainiert und übertraf die Leistung klassischer Faltungsneuronaler Netze (CNNs).
EKGs sind allgegenwärtige Herzdiagnosetests, und allein in den USA werden jedes Jahr etwa 100 Millionen durchgeführt.
Ein EKG misst die elektrische Aktivität des Herzens und gibt Aufschluss über eine Vielzahl von Rhythmusstörungen, abnorme Herzaktivitäten im Zusammenhang mit Herzinfarkten und anderen Formen von Herzerkrankungen. Das Problem bei EKGs ist, dass viele der subtileren Anzeichen schwer zu interpretieren sind, insbesondere bei seltenen Herzkrankheiten.
Vor dieser Studie wurde das maschinelle Lernen (ML) bereits auf EKG-Bilder angewandt, um abnormale Ergebnisse automatisch zu kennzeichnen und zu klassifizieren. Dies erhöht die Diagnosegeschwindigkeit und -genauigkeit und verringert die Wahrscheinlichkeit eines klinischen Versehens.
Mount Sinai, ein New Yorker Krankenhaus- und Forschungsnetzwerk, trainierte ein bildgestütztes Transformatormodell anhand von 8,5 Millionen EKG-Scans.
Das Modell unterscheidet sich insbesondere von den Faltungsneuronalen Netzen (CNNs), den am häufigsten verwendeten neuronalen Netzen für Bildklassifizierungsaufgaben. Die StudieIn der in Nature veröffentlichten Studie heißt es, dass das Modell andere Modelle bei der Erkennung verschiedener Herzkrankheiten übertrifft.
Wie HeartBEiT funktioniert
CNNs für die Bildklassifizierung basieren auf überwachtem maschinellem Lernen, d. h. sie benötigen große Mengen an markierten Daten, deren Erfassung und Kommentierung arbeitsintensiv sein kann. HeartBEiT hingegen nutzt nicht überwachte Techniken, um aus einem großen Datensatz zu lernen, der die Grundlage für eine spätere Anpassung an spezifischere Aufgaben bildet.
Das Forschungsteam verwendete das DALL-E-Modell, das von OpenAI entwickelt wurde. DALL-E lernt die Beziehungen zwischen Token. In diesem Fall sind Teile der EKG-Bilder - die Token - im Großen und Ganzen mit Wörtern in einem Satz vergleichbar.
Das Modell lernt ihre Beziehung zueinander und kann so abnormale Token, die auf Herzprobleme hinweisen, herausfiltern.
Die Vorhersagen von HeartBEiT wurden mit den Vorhersagen von Standard-CNN-Architekturen für verschiedene Herzzustände verglichen, wobei diese bei kleineren Stichprobengrößen besser abschnitten.
Einer der Autoren, Akhil Vaid, ist Dozent für datengesteuerte und digitale Medizin (D3M) an der Icahn School of Medicine am Mount Sinai, sagte: "Unser Modell hat durchweg besser abgeschnitten als Faltungsneuronale Netze [CNNs], die üblicherweise als maschinelle Lernalgorithmen für Computer-Vision-Aufgaben verwendet werden.
Außerdem konnte HeartBEiT die spezifische Region des EKGs hervorheben, die mit der Anomalie in Verbindung steht.
Ein weiterer Autor, Girish Nadkarni, MD, MPH, Direktor des Charles Bronfman Institute of Personalized Medicine, sagte: "Neuronale Netze gelten als Blackboxen, aber unser Modell war viel spezifischer bei der Hervorhebung der Region des EKGs, die für eine Diagnose, wie z. B. einen Herzinfarkt, verantwortlich ist, was den Klinikern hilft, die zugrunde liegende Pathologie besser zu verstehen."
"Im Vergleich dazu waren die CNN-Erklärungen selbst dann vage, wenn sie eine Diagnose korrekt benannten.
Die Rolle der KI in der medizinischen Forschung und Entwicklung ist bekannt, und dies ist ein weiteres Beispiel für die innovative Wiederverwendung von Modellen des maschinellen Lernens (ML) für medizinische Anwendungen.
