HeartBEiT dekodira elektrokardiograme kao jezik
Rješenje istraživača Sveučilišta Mount Sinai dosljedno nadmašuje konvolucijske neuronske mreže koje se koriste kao algoritmi strojnog učenja za zadatke računalnog vida
HeartBEiT je model umjetne inteligencije koji poboljšava točnost i detalje EKG dijagnoza, čak i kod rijetkih stanja za koja postoji tek ograničena količina medicinskih podataka. On EKG tumači kao jezik i nadmašuje tradicionalne konvolucijske neuronske mreže (CNN-ove), ističući određena područja EKG-a odgovorna za srčana oboljenja.
Točno i učinkovito
Ovaj inovativni UI model za analizu elektrokardiograma koji omogućuje tumačenje EKG-a kao jezika osmislili su eksperti Laboratorija proširene inteligencije u medicini i znanosti na Icahnovoj medicinskoj školi Sveučilišta Mount Sinai. Ovaj pristup, opisan u online izdanju časopisa npj Digital Medicine, dokazano može poboljšati točnost i učinkovitost dijagnoza povezanih s EKG-om, posebno za srčana stanja kod kojih su dostupni ograničeni podaci za obuku.
Istraživanja su pokazala kako HeartBEiT dosljedno nadmašuje konvolucijske neuronske mreže koje se koriste kao algoritmi strojnog učenja za zadatke računalnog vida. Takvi CNN-ovi često su unaprijed uvježbani na javno dostupnim slikama objekata iz stvarnog svijeta. A budući da je HeartBEiT specijaliziran za EKG, može raditi jednako dobro, ako ne i bolje od ovih metoda koristeći tek desetinu podataka, kažu istraživači koji koriste generativne UI sustave kao što je ChatGPT, izgrađene na modelima dubokog učenja obučenima na ogromnim skupovima podataka.
EKG kao dokument
HeartBEiT koristi srodni model generiranja slike za stvaranje diskretnih prikaza malih dijelova EKG-a, omogućujući analizu EKG-a kao jezika.
"Ovi prikazi mogu se smatrati pojedinačnim riječima, a cijeli EKG jednim dokumentom", objašnjavaju istraživači. "HeartBEiT razumije odnose između ovih prikaza i to koristi kako bi što učinkovitije obavio daljnje dijagnostičke zadatke."
HeartBEiT je uvježban na 8,5 milijuna EKG-a od 2,1 milijuna pacijenata prikupljenih tijekom četiri desetljeća iz četiri bolnice unutar zdravstvenog sustava Mount Sinai. Testiranja modela u tri kardiološka dijagnostička područja pokazala su da HeartBEiT ima znatno bolju izvedbu pri manjim veličinama uzorka i da bolje "objašnjava" prikupljene informacije.
