HeartBEiT: la innovación de inteligencia artificial de Mount Sinai decodifica electrocardiogramas como lenguaje

Por The Mount Sinai Hospital / Mount Sinai School of Medicine6 de junio de 2023

HeartBEiT es mucho más preciso para resaltar áreas de interés, en este caso para diagnosticar ataques cardíacos (infarto de miocardio). Crédito: Inteligencia Aumentada en Medicina y Laboratorio de Ciencias en la Escuela de Medicina Icahn en Mount Sinai

Mount Sinai's AI model, HeartBEiT, improves the accuracyHow close the measured value conforms to the correct value." data-gt-translate-attributes="[{"attribute":"data-cmtooltip", "format":"html"}]"> precisión y detalle de los diagnósticos de ECG, incluso para condiciones raras con datos limitados. Interpreta los ECG como lenguaje y supera a las CNN tradicionales, destacando áreas de ECG específicas responsables de las afecciones cardíacas.

Los investigadores de Mount Sinai han desarrollado un modelo innovador de inteligencia artificial (IA) para el análisis de electrocardiogramas (ECG) que permite la interpretación de los ECG como lenguaje. Este enfoque puede mejorar la precisión y la eficacia de los diagnósticos relacionados con el ECG, especialmente para afecciones cardíacas en las que se dispone de datos limitados sobre los cuales entrenar.

En un estudio publicado en la edición en línea del 6 de junio de npj Digital Medicine, el equipo informó que su nuevo modelo de aprendizaje profundo, conocido como HeartBEiT, forma una base sobre la cual se pueden crear modelos de diagnóstico especializados. El equipo observó que, en las pruebas de comparación, los modelos creados con HeartBEiT superaron los métodos establecidos para el análisis de ECG.

"Our model consistently outperformed convolutional neural networks [CNNs], which are commonly used machine learningMachine learning is a subset of artificial intelligence (AI) that deals with the development of algorithms and statistical models that enable computers to learn from data and make predictions or decisions without being explicitly programmed to do so. Machine learning is used to identify patterns in data, classify data into different categories, or make predictions about future events. It can be categorized into three main types of learning: supervised, unsupervised and reinforcement learning." data-gt-translate-attributes="[{"attribute":"data-cmtooltip", "format":"html"}]"> algoritmos de aprendizaje automático para tareas de visión artificial. Tales CNN a menudo están previamente entrenadas en imágenes disponibles públicamente de objetos del mundo real", dice el primer autor Akhil Vaid, MD, Instructor de Medicina Digital y Basada en Datos (D3M) en la Escuela de Medicina Icahn en Mount Sinai. "Debido a que HeartBEiT está especializado a los ECG, puede funcionar tan bien, si no mejor, que estos métodos utilizando una décima parte de los datos. Esto hace que el diagnóstico basado en ECG sea considerablemente más viable, especialmente para condiciones raras que afectan a menos pacientes y, por lo tanto, tienen datos limitados disponibles".

Gracias a su bajo costo, no invasividad y amplia aplicabilidad a las enfermedades cardíacas, cada año se realizan más de 100 millones de electrocardiogramas solo en los Estados Unidos. No obstante, la utilidad del ECG tiene un alcance limitado ya que los médicos no pueden identificar de manera consistente, a simple vista, patrones representativos de la enfermedad, particularmente para condiciones que no tienen criterios de diagnóstico establecidos o donde dichos patrones pueden ser demasiado sutiles o caóticos para la interpretación humana. Sin embargo, la inteligencia artificial ahora está revolucionando la ciencia, con la mayor parte del trabajo hasta la fecha centrado en las CNN.

Mount Sinai está tomando el campo en una nueva y audaz dirección al aprovechar el intenso interés en los llamados sistemas generativos de inteligencia artificial como ChatGPT, que se basan en transformadores: modelos de aprendizaje profundo que se entrenan en conjuntos de datos masivos de texto para generar respuestas a las indicaciones de los usuarios sobre casi cualquier tema. Los investigadores están utilizando un modelo de generación de imágenes relacionado para crear representaciones discretas de pequeñas partes del ECG, lo que permite el análisis del ECG como lenguaje.

"Estas representaciones pueden considerarse palabras individuales y todo el ECG un solo documento", explica el Dr. Vaid. "HeartBEiT entiende las relaciones entre estas representaciones y utiliza esta comprensión para realizar tareas de diagnóstico posteriores de manera más eficaz. Las tres tareas en las que probamos el modelo fueron saber si un paciente está teniendo un ataque al corazón, si tiene un trastorno genético llamado miocardiopatía hipertrófica y la eficacia con la que funciona su corazón. En cada caso, nuestro modelo se desempeñó mejor que todas las demás líneas de base probadas".

Los investigadores entrenaron previamente a HeartBEiT en 8,5 millones de ECG de 2,1 millones de pacientes recopilados durante cuatro décadas en cuatro hospitales dentro del Sistema de Salud Mount Sinai. Luego probaron su desempeño contra arquitecturas CNN estándar en las tres áreas de diagnóstico cardíaco. El estudio encontró que HeartBEiT tuvo un rendimiento significativamente mayor en tamaños de muestra más bajos, junto con una mejor "explicabilidad". Elabora el autor principal Girish Nadkarni, MD, MPH, Irene y el Dr. Arthur M. Fishberg Profesor de Medicina en Icahn Mount Sinai, Director del Instituto Charles Bronfman de Medicina Personalizada y Jefe del Sistema, División de Medicina Digital y basada en datos, Departamento of Medicine: "Las redes neuronales se consideran cajas negras, pero nuestro modelo era mucho más específico al resaltar la región del ECG responsable de un diagnóstico, como un ataque cardíaco, lo que ayuda a los médicos a comprender mejor la patología subyacente. En comparación, el Las explicaciones de CNN fueron vagas incluso cuando identificaron correctamente un diagnóstico".

De hecho, a través de su nueva y sofisticada arquitectura de modelado, el equipo de Mount Sinai ha mejorado enormemente la manera y las oportunidades mediante las cuales los médicos pueden interactuar con el ECG. "Queremos dejar claro que la inteligencia artificial de ninguna manera está reemplazando el diagnóstico de los profesionales de los ECG", explicó el Dr. Nadkarni, "sino que aumenta la capacidad de ese medio de una nueva manera emocionante y convincente para detectar problemas cardíacos y controlar el corazón. salud."

El documento se titula "Un transformador de visión fundamental mejora el rendimiento de diagnóstico de los electrocardiogramas".

Referencia: "Un transformador de visión fundacional mejora el rendimiento diagnóstico de los electrocardiogramas" 6 de junio de 2023, npj Digital Medicine.DOI: 10.1038/s41746-023-00840-9

Este estudio fue financiado por el Instituto Nacional del Corazón, los Pulmones y la Sangre de los NIH, número de subvención R01HL155915, y por el Centro Nacional para el Avance de las Ciencias Traslacionales de los NIH, número de subvención UL1TR004419.