Onderzoekers van Mount Sinai hebben machine learning gebruikt om een nieuw model voor de analyse van elektrocardiogrammen (ECG's) te ontwikkelen, HeartBEiT genaamd.
HeartBEiT werd vooraf getraind op een kolossale dataset van 8,5 miljoen ECG's van 2,1 miljoen patiënten en presteerde beter dan klassieke convolutionele neurale netwerken (CNN's).
ECG's zijn alomtegenwoordige diagnostische tests voor het hart en alleen al in de VS worden er elk jaar zo'n 100 miljoen uitgevoerd.
Een ECG meet de elektrische activiteit van het hart en is zeer informatief over een groot aantal ritmestoornissen, abnormale hartactiviteit in verband met hartaanvallen en andere vormen van hartaandoeningen. Het probleem met ECG's is dat veel van de subtielere indicaties moeilijk te interpreteren zijn, vooral bij zeldzame hartaandoeningen.
Vóór dit onderzoek werd machine learning (ML) al toegepast op ECG-beelden om abnormale resultaten automatisch te markeren en te classificeren. Dit verhoogt de diagnostische snelheid en nauwkeurigheid en vermindert de kans op klinische onoplettendheid.
Mount Sinai, een ziekenhuis en onderzoeksnetwerk in New York, trainde een op vision gebaseerd transformatormodel op 8,5 miljoen ECG-scans.
Het model verschilt met name van convolutionele neurale netwerken (CNN's), het meest gebruikte neurale netwerk voor beeldclassificatietaken. De onderzoekgepubliceerd in Nature, stelt dat het model beter presteerde dan andere modellen voor het identificeren van verschillende hartaandoeningen.
Hoe HeartBEiT werkt
CNN's voor beeldclassificatie maken gebruik van gecontroleerde machinaal leren, wat betekent dat ze grote hoeveelheden gelabelde gegevens nodig hebben, die arbeidsintensief kunnen zijn om te verzamelen en te annoteren. HeartBEiT gebruikt daarentegen technieken zonder supervisie om te leren van een enorme dataset, wat een basis biedt voor latere afstemming op meer specifieke taken.
Het onderzoeksteam gebruikte het DALL-E model, gemaakt door OpenAI. DALL-E leert de relaties tussen tokens. In dit geval zijn delen van de ECG-beelden - de tokens - in grote lijnen analoog aan woorden in een zin.
Het model leert hun relatie tot elkaar, waardoor het abnormale tokens kan onderscheiden die op hartproblemen duiden.
De voorspellingen van HeartBEiT werden vergeleken met standaard CNN-architecturen voor verschillende hartaandoeningen, waarbij deze beter presteerden bij kleinere steekproefgroottes.
Een van de auteurs, Akhil Vaid, docent Data-Driven and Digital Medicine (D3M) aan de Icahn School of Medicine van Mount Sinai, zei: "Ons model presteerde consequent beter dan convolutionele neurale netwerken [CNN's], die veelgebruikte algoritmen voor machinaal leren zijn voor computervisietaken."
Bovendien was HeartBEiT in staat om het specifieke gebied van het ECG te markeren dat geassocieerd werd met de afwijking.
Een andere auteur, Girish Nadkarni, MD, MPH, directeur van The Charles Bronfman Institute of Personalized Medicine, zei: "Neurale netwerken worden beschouwd als zwarte dozen, maar ons model was veel specifieker in het markeren van het gebied van het ECG dat verantwoordelijk is voor een diagnose, zoals een hartaanval, wat clinici helpt om de onderliggende pathologie beter te begrijpen."
"Ter vergelijking, de CNN verklaringen waren vaag, zelfs wanneer ze een diagnose correct identificeerden."
De rol van AI in medisch onderzoek en ontwikkeling is al lang bekend, en dit is weer een voorbeeld van de innovatieve herbestemming van machine learning (ML) modellen voor medische toepassingen.
