Forskere ved Mount Sinai har brukt maskinlæring til å utvikle en ny analysemodell for elektrokardiogram (EKG) kalt HeartBEiT.
HeartBEiT ble forhåndstrenet på et kolossalt datasett med 8,5 millioner EKG-er fra 2,1 millioner pasienter, og utkonkurrerte klassiske konvolusjonale nevrale nettverk (CNN).
EKG er en allestedsnærværende diagnostisk undersøkelse av hjertet, og bare i USA utføres det rundt 100 millioner EKG-er hvert år.
Et EKG måler den elektriske aktiviteten i hjertet og er svært informativt når det gjelder en lang rekke rytmeforstyrrelser, unormal hjerteaktivitet i forbindelse med hjerteinfarkt og andre former for hjertesykdom. Problemet med EKG er at mange av de mer subtile indikasjonene er vanskelige å tolke, særlig når det gjelder sjeldne hjertesykdommer.
Før denne studien hadde maskinlæring (ML) allerede blitt brukt på EKG-bilder for automatisk å flagge og klassifisere unormale resultater. Dette øker diagnostisk hastighet og nøyaktighet og reduserer sjansen for kliniske feil.
Mount Sinai, et sykehus og forskningsnettverk i New York, trente opp en visjonsbasert transformatormodell på 8,5 millioner EKG-skanninger.
Modellen skiller seg fra konvolusjonale nevrale nettverk (CNN), som er det vanligste nevrale nettverket for bildeklassifiseringsoppgaver. Den studiepublisert i Nature, viser at modellen utkonkurrerte andre modeller når det gjaldt å identifisere ulike hjertesykdommer.
Hvordan HeartBEiT fungerer
CNN-er for bildeklassifisering involverer overvåket maskinlæring, noe som betyr at de krever store mengder merkede data, som det kan være arbeidskrevende å samle inn og kommentere. HeartBEiT bruker derimot uovervåkede teknikker for å lære fra et stort datasett, noe som gir et grunnlag for nedstrøms tilpasning til mer spesifikke oppgaver.
Forskerteamet brukte DALL-E-modellen, som er utviklet av OpenAI. DALL-E lærer seg relasjonene mellom tokens. I dette tilfellet er deler av EKG-bildene - tokens - omtrent som ord i en setning.
Modellen lærer seg forholdet mellom dem, noe som gjør at den kan skille ut unormale symboler som indikerer hjerteproblemer.
HeartBEiTs prediksjoner ble sammenlignet med standard CNN-arkitekturer for flere hjertesykdommer, og resultatene var bedre enn disse ved mindre utvalgsstørrelser.
En av forfatterne, Akhil Vaid, er instruktør for datadrevet og digital medisin (D3M) ved Icahn School of Medicine på Mount Sinai, sa: "Modellen vår utkonkurrerte konsekvent konvolusjonale nevrale nettverk [CNN], som er vanlige maskinlæringsalgoritmer for datasynoppgaver."
I tillegg kunne HeartBEiT fremheve det spesifikke området på EKG-et som var forbundet med avviket.
En annen forfatter, Girish Nadkarni, MD, MPH, direktør ved Charles Bronfman Institute of Personalized Medicine, sier: "Nevrale nettverk anses som svarte bokser, men vår modell var mye mer spesifikk når det gjaldt å fremheve den delen av EKG-et som var ansvarlig for en diagnose, for eksempel et hjerteinfarkt, noe som hjelper klinikere til å forstå den underliggende patologien bedre."
"Til sammenligning var CNN-forklaringene vage, selv når de korrekt identifiserte en diagnose."
AIs rolle i medisinsk forskning og utvikling er veletablert, og dette er nok et eksempel på innovativ ombruk av maskinlæringsmodeller (ML) til medisinske anvendelser.