I ricercatori del Mount Sinai hanno utilizzato l'apprendimento automatico per sviluppare un nuovo modello di analisi dell'elettrocardiogramma (ECG) chiamato HeartBEiT.
HeartBEiT è stato pre-addestrato su un colossale set di dati di 8,5 milioni di ECG provenienti da 2,1 milioni di pazienti e ha superato le classiche reti neurali convoluzionali (CNN).
Gli ECG sono test diagnostici per il cuore onnipresenti e ogni anno ne vengono eseguiti circa 100 milioni solo negli Stati Uniti.
L'ECG misura l'attività elettrica del cuore ed è altamente informativo su una vasta gamma di disturbi del ritmo, attività cardiaca anomala associata ad attacchi cardiaci e altre forme di malattie cardiache. Il problema degli ECG è che molte delle indicazioni più sottili sono difficili da interpretare, soprattutto per le patologie cardiache rare.
Prima di questo studio, l'apprendimento automatico (ML) era già stato applicato alle immagini ECG per segnalare e classificare automaticamente i risultati anomali. Ciò aumenta la velocità e l'accuratezza della diagnosi e riduce la possibilità di sviste cliniche.
Il Mount Sinai, un ospedale e una rete di ricerca di New York, ha addestrato un modello di trasformatore basato sulla visione su 8,5 milioni di scansioni ECG.
In particolare, il modello si differenzia dalle reti neurali convoluzionali (CNN), la rete neurale più comune per la classificazione delle immagini. Il studiopubblicato su Nature, afferma che il modello ha superato altri modelli per l'identificazione di varie patologie cardiache.
Come funziona HeartBEiT
Le CNN per la classificazione delle immagini comportano un apprendimento automatico supervisionato, il che significa che richiedono grandi quantità di dati etichettati, la cui raccolta e annotazione può richiedere molto lavoro. Al contrario, HeartBEiT utilizza tecniche non supervisionate per apprendere da un vasto insieme di dati, fornendo una base per la messa a punto a valle di compiti più specifici.
Il team di ricerca ha utilizzato il modello DALL-E, creato da OpenAI. DALL-E apprende le relazioni tra i token. In questo caso, le parti delle immagini ECG - i token - sono sostanzialmente analoghe alle parole di una frase.
Il modello apprende la loro relazione reciproca, consentendo di individuare i token anomali che indicano problemi cardiaci.
Le previsioni di HeartBEiT sono state confrontate con le architetture CNN standard per diverse patologie cardiache, ottenendo prestazioni migliori su campioni di dimensioni ridotte.
Uno degli autori, Akhil Vaid, Istruttore di Medicina Digitale e Guidata dai Dati (D3M) presso la Icahn School of Medicine del Mount Sinai, detto: "Il nostro modello ha costantemente superato le reti neurali convoluzionali [CNN], che sono algoritmi di apprendimento automatico comunemente utilizzati per compiti di visione al computer".
Inoltre, HeartBEiT è stato in grado di evidenziare la regione specifica dell'ECG associata all'anomalia.
Un altro autore, Girish Nadkarni, MD, MPH, direttore del Charles Bronfman Institute of Personalized Medicine, ha dichiarato: "Le reti neurali sono considerate scatole nere, ma il nostro modello è stato molto più specifico nell'evidenziare la regione dell'ECG responsabile di una diagnosi, come l'infarto, aiutando i medici a comprendere meglio la patologia sottostante".
"In confronto, le spiegazioni della CNN erano vaghe anche quando identificavano correttamente una diagnosi".
Il ruolo dell'intelligenza artificiale nella ricerca e nello sviluppo in campo medico è ormai consolidato e questo è un altro esempio di riutilizzo innovativo dei modelli di apprendimento automatico (ML) per applicazioni mediche.
