Pesquisadores usam nova abordagem de aprendizado profundo para permitir a análise de eletrocardiogramas como linguagem

Os pesquisadores do Mount Sinai desenvolveram um modelo inovador de inteligência artificial (IA) para análise de eletrocardiograma (ECG) que permite a interpretação de ECGs como linguagem. Essa abordagem pode aumentar a precisão e a eficácia dos diagnósticos relacionados ao ECG, especialmente para condições cardíacas em que dados limitados estão disponíveis para treinamento.

Em um estudo publicado na edição online de 6 de junho da npj medicina digital, a equipe relatou que seu novo modelo de aprendizado profundo, conhecido como HeartBEiT, forma uma base sobre a qual modelos de diagnóstico especializados podem ser criados. A equipe observou que, em testes de comparação, os modelos criados com o HeartBEiT superaram os métodos estabelecidos para análise de ECG.

“Nosso modelo superou consistentemente as redes neurais convolucionais [CNNs], que são algoritmos de aprendizado de máquina comumente usados ​​para tarefas de visão computacional. Essas CNNs geralmente são pré-treinadas em imagens publicamente disponíveis de objetos do mundo real”, diz o primeiro autor Akhil Vaid, MD, instrutor de medicina baseada em dados e digital (D3M) na Escola de Medicina Icahn em Mount Sinai. “Porque HeartBEiT é especializado em ECGs, pode executar tão bem quanto, se não melhor, esses métodos usando um décimo dos dados. Isso torna o diagnóstico baseado em ECG consideravelmente mais viável, especialmente para condições raras que afetam menos pacientes e, portanto, têm dados limitados disponíveis.”

Graças ao seu baixo custo, não invasivo e ampla aplicabilidade para doenças cardíacas, mais de 100 milhões de eletrocardiogramas são realizados a cada ano apenas nos Estados Unidos. No entanto, a utilidade do ECG é limitada em escopo, uma vez que os médicos não conseguem identificar consistentemente, a olho nu, padrões representativos de doenças, particularmente para condições que não possuem critérios diagnósticos estabelecidos ou onde tais padrões podem ser muito sutis ou caóticos para a interpretação humana. A inteligência artificial agora está revolucionando a ciência, no entanto, com a maior parte do trabalho até o momento centrado nas CNNs.

O Mount Sinai está entrando em campo em uma nova direção ousada, aproveitando o intenso interesse nos chamados sistemas de IA generativos, como o ChatGPT, que são construídos em transformadores – modelos de aprendizado profundo treinados em enormes conjuntos de dados de texto para gerar respostas a solicitações de usuários sobre quase todos os tópicos. Os pesquisadores estão usando um modelo de geração de imagem relacionado para criar representações discretas de pequenas partes do ECG, permitindo a análise do ECG como linguagem.

“Essas representações podem ser consideradas palavras individuais e todo o ECG um único documento”, explica o Dr. Vaid. “HeartBEiT compreende as relações entre essas representações e usa esse entendimento para executar tarefas de diagnóstico de downstream com mais eficiência. As três tarefas em que testamos o modelo foram aprender se um paciente está tendo um ataque cardíaco, se ele tem um distúrbio genético chamado cardiomiopatia hipertrófica e a eficácia do funcionamento do coração. Em cada caso, nosso modelo teve um desempenho melhor do que todas as outras linhas de base testadas.”

Pesquisadores pré-treinados HeartBEiT em 8,5 milhões de ECGs de 2,1 milhões de pacientes coletados ao longo de quatro décadas em quatro hospitais do Mount Sinai Health System. Em seguida, eles testaram seu desempenho em relação às arquiteturas CNN padrão nas três áreas de diagnóstico cardíaco. O estudo descobriu que HeartBEiT teve desempenho significativamente maior em tamanhos de amostra menores, juntamente com melhor “explicabilidade”. Elabora o autor sênior Girish Nadkarni, MD, MPH, Irene e Dr. Arthur M. Fishberg Professor de Medicina em Icahn Mount Sinai, Diretor do Instituto Charles Bronfman de Medicina Personalizada e Chefe de Sistema, Divisão de Medicina Digital e Orientada a Dados, Departamento of Medicine: “As redes neurais são consideradas caixas pretas, mas 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 entender melhor a patologia subjacente. Em comparação, o As explicações da CNN eram vagas, mesmo quando identificavam corretamente um diagnóstico.”

De fato, por meio de sua nova e sofisticada arquitetura de modelagem, a equipe do Mount Sinai melhorou muito a maneira e as oportunidades pelas quais os médicos podem interagir com o ECG. “Queremos deixar claro que a inteligência artificial não está de forma alguma substituindo o diagnóstico por profissionais de ECGs”, explicou o Dr. Nadkarni, “mas sim aumentando a capacidade desse meio de uma maneira nova e empolgante para detectar problemas cardíacos e monitorar o coração. saúde.”

O artigo é intitulado “Um transformador de visão fundamental melhora o desempenho de diagnóstico para eletrocardiogramas”.