HeartBEiT: inovação em IA do Monte Sinai decodificando eletrocardiogramas como linguagem

Por The Mount Sinai Hospital / Mount Sinai School of Medicine, 6 de junho de 2023

HeartBEiT é muito mais preciso para destacar áreas de interesse, neste caso para diagnosticar ataques cardíacos (infarto do miocárdio). Crédito: Inteligência Aumentada em Medicina e Laboratório de Ciências da Escola de Medicina Icahn no 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"}]"> precisão e detalhes de diagnósticos de ECG, mesmo para condições raras com dados limitados. Ele interpreta os ECGs como linguagem e supera os CNNs tradicionais, destacando áreas específicas do ECG responsáveis ​​por problemas cardíacos.

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 Digital Medicine, 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.

"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 aprendizado de máquina 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 digital e baseada em dados (D3M) na Escola de Medicina Icahn no Monte Sinai. "Como o HeartBEiT é especializado para ECGs, ele pode executar tão bem quanto, se não melhor do que, 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 entende as relações entre essas representações e usa esse entendimento para realizar tarefas de diagnóstico downstream de forma mais eficaz. As três tarefas em que testamos o modelo foram aprender se um paciente está tendo um ataque cardíaco, se tem um distúrbio genético chamado cardiomiopatia hipertrófica e com que eficiência seu coração está funcionando. Em cada caso, nosso modelo teve um desempenho melhor do que todas as outras linhas de base testadas."