HeartBEiT: l'innovazione dell'intelligenza artificiale del Monte Sinai che decodifica gli elettrocardiogrammi come linguaggio

A cura dell'Ospedale Mount Sinai/Scuola di Medicina Mount Sinai, 6 giugno 2023

HeartBEiT è molto più preciso nell'evidenziare le aree di interesse, in questo caso per la diagnosi di infarto (infarto del miocardio). Credito: Laboratorio di Intelligenza Aumentata in Medicina e Scienza presso la Icahn School of Medicine del Monte 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"}]"> accuratezza e dettaglio delle diagnosi ECG, anche per condizioni rare con dati limitati. Interpreta gli ECG come linguaggio e supera le tradizionali CNN, evidenziando aree specifiche dell'ECG responsabili delle condizioni cardiache.

I ricercatori del Monte Sinai hanno sviluppato un modello innovativo di intelligenza artificiale (AI) per l’analisi dell’elettrocardiogramma (ECG) che consente l’interpretazione degli ECG come linguaggio. Questo approccio può migliorare l’accuratezza e l’efficacia delle diagnosi correlate all’ECG, in particolare per le condizioni cardiache in cui sono disponibili dati limitati su cui addestrarsi.

In uno studio pubblicato nel numero online del 6 giugno di npj Digital Medicine, il team ha riferito che il suo nuovo modello di deep learning, noto come HeartBEiT, costituisce una base su cui è possibile creare modelli diagnostici specializzati. Il team ha notato che nei test comparativi, i modelli creati utilizzando HeartBEiT hanno superato i metodi consolidati per l’analisi dell’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"}]"> algoritmi di apprendimento automatico per attività di visione artificiale. Tali CNN sono spesso preaddestrate su immagini disponibili al pubblico di oggetti del mondo reale", afferma il primo autore Akhil Vaid, MD, istruttore di medicina digitale e basata sui dati (D3M) presso la Icahn School of Medicine del Monte Sinai. "Perché HeartBEiT è specializzato agli ECG, può funzionare altrettanto bene, se non meglio, di questi metodi utilizzando un decimo dei dati. Ciò rende la diagnosi basata sull’ECG notevolmente più fattibile, soprattutto per le condizioni rare che colpiscono un minor numero di pazienti e quindi hanno a disposizione dati limitati”.

Grazie al loro basso costo, alla non invasività e all’ampia applicabilità alle malattie cardiache, ogni anno vengono eseguiti più di 100 milioni di elettrocardiogrammi solo negli Stati Uniti. Tuttavia, l'utilità dell'ECG è limitata poiché i medici non sono in grado di identificare in modo coerente, ad occhio nudo, modelli rappresentativi della malattia, in particolare per condizioni che non hanno criteri diagnostici stabiliti o dove tali modelli possono essere troppo sottili o caotici per l'interpretazione umana. Tuttavia, l’intelligenza artificiale sta ora rivoluzionando la scienza e la maggior parte del lavoro fino ad oggi è incentrato sulle CNN.

Il Monte Sinai sta scendendo in campo in una nuova direzione audace, basandosi sull'intenso interesse per i cosiddetti sistemi di intelligenza artificiale generativa come ChatGPT, che sono costruiti su trasformatori, modelli di deep learning addestrati su enormi set di dati di testo per generare dati simili a quelli umani. risposte ai suggerimenti degli utenti su quasi tutti gli argomenti. I ricercatori stanno utilizzando un modello di generazione di immagini correlato per creare rappresentazioni discrete di piccole parti dell'ECG, consentendo l'analisi dell'ECG come linguaggio.

"Queste rappresentazioni possono essere considerate singole parole e l'intero ECG un unico documento", spiega il Dr. Vaid. "HeartBEiT comprende le relazioni tra queste rappresentazioni e utilizza questa comprensione per eseguire compiti diagnostici a valle in modo più efficace. I tre compiti su cui abbiamo testato il modello erano apprendere se un paziente sta avendo un infarto, se ha una malattia genetica chiamata cardiomiopatia ipertrofica e quanto efficacemente funziona il loro cuore. In ogni caso, il nostro modello ha funzionato meglio di tutti gli altri valori di riferimento testati."