Forskare vid Mount Sinai har använt maskininlärning för att utveckla en ny analysmodell för elektrokardiogram (EKG) som kallas HeartBEiT.
HeartBEiT förtränades på ett kolossalt dataset med 8,5 miljoner EKG från 2,1 miljoner patienter och överträffade klassiska CNN (Convolutional Neural Networks).
EKG är ett vanligt hjärtdiagnostiskt test och cirka 100 miljoner EKG utförs varje år bara i USA.
Ett EKG mäter den elektriska aktiviteten i hjärtat och är mycket informativt om ett stort antal rytmstörningar, onormal hjärtaktivitet i samband med hjärtinfarkt och andra former av hjärtsjukdomar. Problemet med EKG är att många av de mer subtila indikationerna är svåra att tolka, särskilt när det gäller sällsynta hjärtsjukdomar.
Före den här studien hade maskininlärning (ML) redan tillämpats på EKG-bilder för att automatiskt flagga och klassificera onormala resultat. Detta ökar diagnostisk hastighet och noggrannhet och minskar risken för klinisk tillsyn.
Mount Sinai, ett sjukhus och forskningsnätverk i New York, tränade en visionbaserad transformatormodell på 8,5 miljoner EKG-scanningar.
Modellen skiljer sig framför allt från CNN (convolutional neural networks), som är det vanligaste neurala nätverket för bildklassificering. Den studiesom publicerades i Nature, framgår att modellen överträffade andra modeller för att identifiera olika hjärtsjukdomar.
Hur HeartBEiT fungerar
CNN för bildklassificering involverar övervakad maskininlärning, vilket innebär att de kräver stora mängder märkta data, vilket kan vara arbetsintensivt att samla in och kommentera. Omvänt använder HeartBEiT oövervakade tekniker för att lära sig från ett stort dataset, vilket ger en grund för nedströmsjustering till mer specifika uppgifter.
Forskargruppen använde sig av modellen DALL-E, skapad av OpenAI. DALL-E lär sig relationerna mellan tokens. I det här fallet kan delar av EKG-bilderna - tokens - i stort sett liknas vid ord i en mening.
Modellen lär sig hur de förhåller sig till varandra, vilket gör att den kan urskilja onormala symboler som indikerar hjärtproblem.
HeartBEiTs förutsägelser jämfördes med standard CNN-arkitekturer för flera hjärtsjukdomar och överträffade dem för mindre urvalsstorlekar.
En av författarna, Akhil Vaid, är instruktör för datadriven och digital medicin (D3M) vid Icahn School of Medicine vid Mount Sinai, sa: "Vår modell överträffade konsekvent convolutional neural networks [CNN], som är vanligt förekommande maskininlärningsalgoritmer för datorseende."
Dessutom kunde HeartBEiT markera den specifika region på EKG:t som var förknippad med avvikelsen.
En annan författare, Girish Nadkarni, MD, MPH, Director of The Charles Bronfman Institute of Personalized Medicine, sa: "Neurala nätverk betraktas som svarta lådor, men vår modell var mycket mer specifik när det gäller att lyfta fram den region i EKG som är ansvarig för en diagnos, till exempel en hjärtattack, vilket hjälper kliniker att bättre förstå den underliggande patologin."
"Som jämförelse var CNN:s förklaringar vaga även när de korrekt identifierade en diagnos."
AI:s roll inom medicinsk forskning och utveckling är väletablerad, och detta är ytterligare ett exempel på den innovativa återanvändningen av modeller för maskininlärning (ML) för medicinska tillämpningar.
