研究人员使用新的深度学习方法使分析心电图的语言

西奈山医学院研究人员研制出了一种创新的人工智能(AI)心电图(ECG)分析模型,允许对ECG的解释语言。这种方法可以提高ECG-related诊断的准确性和有效性,特别是对心脏情况有限的训练数据可用。

在6月6日在线发表的一项研究的问题npj数字医学,研究小组报道,新的深度学习模型被称为HeartBEiT,形成一个可以创建专门的诊断模型的基础。团队指出,测试相比,使用HeartBEiT超过创建的模型建立方法进行心电图分析。

“我们的模型表现卷积神经网络(cnn),常用的机器学习算法为计算机视觉任务。这些cnn往往pretrained公开真实的物体的图像,”研究报告的第一作者、医学博士Akhil Vaid,数据驱动和数字医学讲师(D3M)伊坎在西奈山医学院。“因为HeartBEiT是专业ecg,它可以执行以及,如果不是比,这些方法使用十分之一的数据。这使得ECG-based诊断更为可行,尤其是罕见的条件影响较少的患者,因此可用数据有限。”

由于价格低廉、non-invasiveness和广泛适用性心脏疾病,每年有超过1亿的心电图表现仅在美国。尽管如此,心电图的作用范围有限,因为医生不能识别,用肉眼,疾病模式的代表,尤其是条件没有建立诊断标准或这样的模式可能太微妙了或者混乱的人类解释。人工智能现在科学革命,然而,迄今为止的大部分工作集中在cnn。

西奈山正在在一个大胆的新方向通过建立在所谓的强烈兴趣生成ChatGPT等人工智能系统,是建立在transformers-deep学习模型大规模数据集上训练文本生成的人形反应来提示用户在几乎任何话题。研究人员使用一个相关的image-generating模型创建的离散表示心电图的一小部分,使分析心电图的语言。

”这些表示可以考虑个人的话,整个心电图单个文档,“Vaid博士解释道。”HeartBEiT理解这些表示之间的关系,并使用这种理解更有效地执行下游诊断任务。我们测试了模型的三个任务是学习如果病人心脏病,如果他们有遗传性疾病称为肥厚性心肌病,以及如何有效地他们的心脏功能。在每种情况下,我们的模型比所有其他测试基线表现的更好。”

研究人员pretrainedHeartBEiT从收集的210万例患者850万ecg上四十年从四个在西奈山医院的卫生系统。然后他们测试其性能与标准CNN架构三个心脏诊断领域。研究发现,HeartBEiT拥有更高性能较低的样本大小,以及更好的“explainability。”Elaborates senior author Girish Nadkarni, MD, MPH, Irene and Dr. Arthur M. Fishberg Professor of Medicine at Icahn Mount Sinai, Director of The Charles Bronfman Institute of Personalized Medicine, and System Chief, Division of Data-Driven and Digital Medicine, Department of Medicine: "Neural networks are considered黑盒,但在强调我们的模型更具体的区域心电图诊断负责,如心脏病发作,帮助临床医生更好地理解底层的病理。相比之下,美国有线电视新闻网的解释是模糊的,即使他们正确识别诊断。”

事实上,通过其复杂的新的建模架构,西奈山医学院研究小组大大增强医生的方式和机会可以与心电图。“我们想要清楚人工智能绝不是取代从ecg诊断由专业人士,“Nadkarni博士解释说,“而是增加介质的能力在一个激动人心的和令人信服的新方法检测心脏病和监测心脏的健康。”

本文题为“基本视觉变压器提高心电图诊断性能。”