HeartBEiT es mucho más preciso para resaltar áreas de interés, en este caso para diagnosticar ataques cardíacos (infarto de miocardio). Crédito: Inteligencia Aumentada en Medicina y Laboratorio de Ciencias en la Escuela de Medicina Icahn en Mount Sinai
El modelo de IA de Mount Sinai, HeartBEiT, mejora la precisión y el detalle de los diagnósticos de ECG, incluso para condiciones raras con datos limitados. Interpreta los ECG como lenguaje y supera a las CNN tradicionales al resaltar áreas específicas del ECG responsables de problemas cardíacos.
Los investigadores de Mount Sinai han desarrollado un modelo innovador de inteligencia artificial (IA) para el análisis de electrocardiogramas (ECG) que permite la interpretación de los ECG como lenguaje. Este enfoque puede aumentar la precisión y la eficacia de los diagnósticos relacionados con el ECG, especialmente para afecciones cardíacas en las que se dispone de datos limitados para el entrenamiento.
En un estudio publicado en la edición en línea del 6 de junio de npj Digital Medicine, el equipo informó que su nuevo modelo de aprendizaje profundo, conocido como HeartBEiT, forma una base sobre la cual se pueden construir modelos de diagnóstico especializados. El equipo observó que, en las pruebas de comparación, los modelos creados con HeartBEiT superaron a los métodos establecidos para el análisis de ECG.
“Nuestro modelo superó constantemente a las redes neuronales convolucionales [CNNs], que son algoritmos de aprendizaje automático comúnmente utilizados para tareas de visión artificial. Estas CNN generalmente están pre-entrenadas en imágenes disponibles públicamente de objetos del mundo real”, dice el primer autor Akhil Vaid, MD, instructor de medicina digital y basada en datos (D3M) en la Escuela de Medicina Icahn en Mount Sinai. “Debido a que HeartBEiT se especializa en ECG, puede funcionar tan bien, si no mejor, que estos métodos utilizando una décima parte de los datos. Esto hace que el diagnóstico basado en ECG sea considerablemente más factible, especialmente para condiciones raras que afectan a menos pacientes y, por lo tanto, tienen datos limitados disponibles”.
Gracias a su bajo costo, no invasividad y amplia aplicabilidad para enfermedades cardíacas, cada año se realizan más de 100 millones de electrocardiogramas solo en los Estados Unidos. Sin embargo, la utilidad del ECG tiene un alcance limitado, ya que los médicos no pueden identificar patrones representativos de la enfermedad a simple vista, particularmente para condiciones que no tienen criterios de diagnóstico establecidos o donde dichos patrones pueden ser muy sutiles o caóticos para la interpretación humana. Sin embargo, la inteligencia artificial ahora está revolucionando la ciencia, con la mayor parte del trabajo hasta la fecha centrado en las CNN.
Mount Sinai está tomando el campo en una nueva y audaz dirección, aprovechando el intenso interés en los llamados sistemas generativos de inteligencia artificial como ChatGPT, que se basan en transformadores: modelos de aprendizaje profundo entrenados en grandes conjuntos de datos de texto para generar respuestas al usuario. solicitudes sobre casi todos los temas. Los investigadores están utilizando un modelo de imágenes relacionado para crear representaciones discretas de pequeñas partes del ECG, lo que permite analizar el ECG como un lenguaje.
“Estas representaciones se pueden considerar como palabras individuales y todo el ECG como un solo documento”, explica el Dr. Vacío “HeartBEiT comprende las relaciones entre estas representaciones y utiliza esa comprensión para realizar tareas de diagnóstico posteriores de manera más eficiente. Las tres tareas en las que probamos el modelo fueron saber si un paciente está teniendo un ataque cardíaco, si tiene un trastorno genético llamado miocardiopatía hipertrófica y qué tan bien funciona el corazón. En cada caso, nuestro modelo se desempeñó mejor que todas las demás líneas base probadas”.
Los investigadores entrenaron previamente a HeartBEiT en 8,5 millones de ECG de 2,1 millones de pacientes recopilados durante cuatro décadas en cuatro hospitales del Sistema de Salud Mount Sinai. Luego probaron su desempeño contra arquitecturas CNN estándar en las tres áreas de diagnóstico cardíaco. El estudio encontró que HeartBEiT se desempeñó significativamente mejor en tamaños de muestra más pequeños, así como una mejor «explicabilidad». Borradores del autor principal Girish Nadkarni, MD, MPH, Irene y el Dr. Arthur M. Fishberg Profesor de Medicina en Icahn Mount Sinai, Director del Instituto Charles Bronfman de Medicina Personalizada y Jefe de Sistemas, División de Medicina Digital y Basada en Datos, Departamento de Medicina: “Las redes neuronales se consideran cajas negras, pero nuestro modelo fue mucho más específico al resaltar la región del ECG responsable de un diagnóstico, como un ataque cardíaco, lo que ayuda a los médicos a comprender mejor la patología subyacente. En comparación, las explicaciones de CNN fueron vagas, incluso cuando identificaron correctamente un diagnóstico».
De hecho, a través de su nueva y sofisticada arquitectura de modelado, el equipo de Mount Sinai ha mejorado enormemente la forma y las oportunidades en las que los médicos pueden interactuar con el ECG. “Queremos dejar en claro que la inteligencia artificial de ninguna manera está reemplazando el diagnóstico por ECG profesionales”, explicó el Dr. Nadkarni, “sino más bien mejorando la capacidad de este medio de una manera nueva y emocionante para detectar problemas cardíacos y monitorear el corazón. salud.»
El artículo se titula “Un transformador de visión fundamental mejora el rendimiento diagnóstico de los electrocardiogramas”.
Referencia: «Un transformador de visión fundamental mejora el rendimiento de diagnóstico para electrocardiogramas» por Akhil Vaid, Joy Jiang, Ashwin Sawant, Stamatios Lerakis, Edgar Argulian, Yuri Ahuja, Joshua Lampert, Alexander Charney, Hayit Greenspan, Jagat Narula, Benjamin Glicksberg y Girish N Nadkarni , 6 de junio de 2023, npj Medicina Digital.
DOI: 10.1038/s41746-023-00840-9
Este estudio fue financiado por el Instituto Nacional del Corazón, los Pulmones y la Sangre de los NIH, número de subvención R01HL155915, y el Centro Nacional de Ciencias Traslacionales Avanzadas de los NIH, número de subvención UL1TR004419.
