Investigadores del Mount Sinai han utilizado el aprendizaje automático para desarrollar un novedoso modelo de análisis de electrocardiogramas (ECG) denominado HeartBEiT.
HeartBEiT se preentrenó en un colosal conjunto de datos de 8,5 millones de ECG de 2,1 millones de pacientes y superó a las redes neuronales convolucionales (CNN) clásicas.
Los ECG son pruebas de diagnóstico cardiaco omnipresentes, y sólo en EE.UU. se realizan unos 100 millones al año.
Un ECG mide la actividad eléctrica del corazón y es muy informativo sobre una gran variedad de trastornos del ritmo, actividad cardiaca anómala asociada a infartos y otras formas de cardiopatía. El problema de los ECG es que muchas de las indicaciones más sutiles son difíciles de interpretar, sobre todo en el caso de cardiopatías poco frecuentes.
Antes de este estudio, ya se había aplicado el aprendizaje automático (AM) a las imágenes de ECG para marcar y clasificar automáticamente los resultados anormales. Esto aumenta la velocidad y la precisión del diagnóstico y reduce la posibilidad de descuidos clínicos.
Mount Sinai, un hospital y red de investigación de Nueva York, entrenó un modelo de transformador basado en la visión con 8,5 millones de escáneres de ECG.
En particular, el modelo difiere de las redes neuronales convolucionales (CNN), la red neuronal más común para tareas de clasificación de imágenes. En estudiarpublicado en Nature, afirma que el modelo superó a otros en la identificación de diversas afecciones cardiacas.
Cómo funciona HeartBEiT
Las CNN para la clasificación de imágenes implican un aprendizaje automático supervisado, lo que significa que requieren grandes cantidades de datos etiquetados, cuya recopilación y anotación puede requerir mucho trabajo. Por el contrario, HeartBEiT utiliza técnicas no supervisadas para aprender de un amplio conjunto de datos, lo que proporciona una base para el ajuste posterior a tareas más específicas.
El equipo de investigación utilizó el modelo DALL-E, creado por OpenAI. DALL-E aprende las relaciones entre los tokens. En este caso, las partes de las imágenes de ECG (los tokens) son análogas a las palabras de una frase.
El modelo aprende su relación entre sí, lo que le permite identificar los tokens anómalos que indican problemas cardíacos.
Las predicciones de HeartBEiT se compararon con las de arquitecturas CNN estándar para varias afecciones cardiacas, superándolas en muestras de menor tamaño.
Uno de los autores, Akhil Vaid, instructor de Medicina Digital e Impulsada por Datos (D3M) en la Escuela de Medicina Icahn de Mount Sinai, dijo: "Nuestro modelo superó sistemáticamente a las redes neuronales convolucionales [CNN], que son algoritmos de aprendizaje automático utilizados habitualmente para tareas de visión por ordenador".
Además, HeartBEiT pudo resaltar la región específica del ECG asociada a la anomalía.
Otro de los autores, Girish Nadkarni, MD, MPH, Director del Instituto Charles Bronfman de Medicina Personalizada, afirmó: "Las redes neuronales se consideran cajas negras, pero nuestro modelo fue mucho más específico a la hora de destacar la región del ECG responsable de un diagnóstico, como un infarto de miocardio, lo que ayuda a los médicos a comprender mejor la patología subyacente."
"En comparación, las explicaciones de la CNN eran vagas incluso cuando identificaban correctamente un diagnóstico".
El papel de la IA en la investigación y el desarrollo médicos está bien establecido, y este es otro ejemplo de la reutilización innovadora de los modelos de aprendizaje automático (ML) para aplicaciones médicas.