Os investigadores do Mount Sinai utilizaram a aprendizagem automática para desenvolver um novo modelo de análise de electrocardiogramas (ECG) denominado HeartBEiT.
O HeartBEiT foi pré-treinado num conjunto de dados colossal de 8,5 milhões de ECGs de 2,1 milhões de pacientes e superou as redes neurais convolucionais clássicas (CNNs).
Os ECGs são exames de diagnóstico cardíaco omnipresentes, sendo realizados cerca de 100 milhões por ano só nos EUA.
Um ECG mede a atividade eléctrica do coração e é altamente informativo sobre uma grande variedade de perturbações do ritmo, atividade cardíaca anormal associada a ataques cardíacos e outras formas de doença cardíaca. O problema dos ECGs é que muitas das indicações mais subtis são difíceis de interpretar, especialmente no caso de doenças cardíacas raras.
Antes deste estudo, a aprendizagem automática (ML) já tinha sido aplicada a imagens de ECG para assinalar e classificar automaticamente resultados anómalos. Isto aumenta a velocidade e a precisão do diagnóstico e reduz a possibilidade de supervisão clínica.
O Mount Sinai, um hospital e rede de investigação de Nova Iorque, treinou um modelo de transformador baseado na visão em 8,5 milhões de exames de ECG.
Nomeadamente, o modelo difere das redes neurais convolucionais (CNN), a rede neural mais comum para tarefas de classificação de imagens. O estudopublicado na Nature, afirma que o modelo superou outros modelos na identificação de várias doenças cardíacas.
Como funciona o HeartBEiT
As CNNs para classificação de imagens envolvem aprendizagem automática supervisionada, o que significa que requerem grandes quantidades de dados rotulados, cuja recolha e anotação pode ser trabalhosa. Por outro lado, o HeartBEiT utiliza técnicas não supervisionadas para aprender a partir de um vasto conjunto de dados, fornecendo uma base para o ajuste posterior a tarefas mais específicas.
A equipa de investigação utilizou o modelo DALL-E, criado pela OpenAI. O DALL-E aprende as relações entre os tokens. Neste caso, as partes das imagens de ECG - os tokens - são, de um modo geral, análogas às palavras de uma frase.
O modelo aprende a sua relação entre si, o que lhe permite selecionar tokens anormais que indicam problemas cardíacos.
As previsões do HeartBEiT foram comparadas com arquitecturas CNN padrão para várias condições cardíacas, superando-as em amostras de menor dimensão.
Um dos autores, Akhil Vaid, Instrutor de Medicina Digital e Orientada por Dados (D3M) na Escola de Medicina Icahn no Monte Sinai, disse: "O nosso modelo superou de forma consistente o desempenho das redes neurais convolucionais [CNN], que são algoritmos de aprendizagem automática habitualmente utilizados para tarefas de visão computacional."
Além disso, o HeartBEiT foi capaz de destacar a região específica do ECG associada à anormalidade.
Outro autor, Girish Nadkarni, MD, MPH, Diretor do Instituto Charles Bronfman de Medicina Personalizada, afirmou: "As redes neuronais são consideradas caixas negras, mas o nosso modelo foi muito mais específico ao destacar a região do ECG responsável por um diagnóstico, como um ataque cardíaco, o que ajuda os médicos a compreender melhor a patologia subjacente".
"Em comparação, as explicações da CNN eram vagas, mesmo quando identificavam corretamente um diagnóstico."
O papel da IA na investigação e desenvolvimento médicos está bem estabelecido, e este é mais um exemplo do reaproveitamento inovador de modelos de aprendizagem automática (ML) para aplicações médicas.
