Исследователи из Маунт-Синай использовали машинное обучение для разработки новой модели анализа электрокардиограммы (ЭКГ) под названием HeartBEiT.
HeartBEiT был предварительно обучен на колоссальном наборе данных из 8,5 млн ЭКГ 2,1 млн пациентов и превзошел классические сверточные нейронные сети (CNN).
ЭКГ - это повсеместное диагностическое исследование сердца, и только в США ежегодно проводится около 100 миллионов таких исследований.
ЭКГ измеряет электрическую активность сердца и очень информативна для выявления огромного количества нарушений ритма, аномальной сердечной деятельности, связанной с инфарктом, и других форм сердечных заболеваний. Проблема ЭКГ заключается в том, что многие тонкие признаки трудно интерпретировать, особенно при редких сердечных заболеваниях.
До этого исследования машинное обучение (ML) уже применялось к изображениям ЭКГ для автоматической отметки и классификации аномальных результатов. Это повышает скорость и точность диагностики и снижает вероятность клинического недосмотра.
Mount Sinai, нью-йоркская больница и исследовательская сеть, обучила модель трансформатора на основе технического зрения на 8,5 миллионах сканов ЭКГ.
Примечательно, что эта модель отличается от сверточных нейронных сетей (CNN), наиболее распространенных нейронных сетей для задач классификации изображений. Сайт исследованиеВ статье, опубликованной в журнале Nature, говорится, что эта модель превзошла другие модели в определении различных сердечных заболеваний.
Как работает HeartBEiT
CNN для классификации изображений используют контролируемое машинное обучение, что означает, что они требуют большого количества помеченных данных, сбор и аннотирование которых может быть трудоемким. В HeartBEiT, напротив, используются неконтролируемые методы обучения на обширном наборе данных, что создает основу для последующей настройки на более конкретные задачи.
Исследовательская группа использовала модель DALL-E, созданную компанией OpenAI. DALL-E изучает взаимосвязи между лексемами. В данном случае части изображения ЭКГ - лексемы - в целом аналогичны словам в предложении.
Модель изучает их взаимосвязь друг с другом, что позволяет ей выделять аномальные лексемы, указывающие на проблемы с сердцем.
Прогнозы HeartBEiT сравнивались со стандартными архитектурами CNN для нескольких сердечных заболеваний, превосходя их при меньшем объеме выборки.
Один из авторов, Акхил Вайд, инструктор по цифровой медицине с использованием данных (D3M) в Медицинской школе Икан при Маунт-Синай, сказал: "Наша модель постоянно превосходила конволюционные нейронные сети [CNN], которые являются широко используемыми алгоритмами машинного обучения для задач компьютерного зрения".
Кроме того, HeartBEiT смог выделить конкретный участок ЭКГ, связанный с отклонением от нормы.
Другой автор, Гириш Надкарни, доктор медицины, MPH, директор Института персонализированной медицины Чарльза Бронфмана, сказал: "Нейронные сети считаются черными ящиками, но наша модель была гораздо более конкретной в выделении области ЭКГ, ответственной за диагноз, например, сердечный приступ, что помогает врачам лучше понять основную патологию".
"Для сравнения, объяснения CNN были расплывчатыми, даже когда они правильно определяли диагноз".
Роль ИИ в медицинских исследованиях и разработках хорошо известна, и это еще один пример инновационного использования моделей машинного обучения (ML) в медицинских целях.
