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.
![](https://dailyai.com/wp-content/uploads/2023/06/41746_2023_840_Fig5_HTML-925x1024.webp)
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.