محققان از رویکرد یادگیری عمیق جدید برای فعال کردن تجزیه و تحلیل الکتروکاردیوگرام به عنوان زبان استفاده می کنند

محققان کوه سینا یک مدل خلاقانه هوش مصنوعی (AI) برای تجزیه و تحلیل الکتروکاردیوگرام (ECG) ایجاد کرده اند که امکان تفسیر ECG را به عنوان زبان فراهم می کند. این رویکرد می‌تواند دقت و اثربخشی تشخیص‌های مرتبط با ECG را افزایش دهد، به‌ویژه برای شرایط قلبی که در آن اطلاعات محدودی برای آموزش در دسترس است.

در مطالعه ای که در شماره آنلاین ۶ ژوئن منتشر شد npj پزشکی دیجیتال، تیم گزارش داد که مدل جدید یادگیری عمیق آن، معروف به HeartBEiT، پایه ای را تشکیل می دهد که بر اساس آن می توان مدل های تشخیصی تخصصی ایجاد کرد. این تیم خاطرنشان کرد که در آزمایش‌های مقایسه، مدل‌های ایجاد شده با استفاده از HeartBEiT از روش‌های تعیین‌شده برای آنالیز ECG پیشی گرفتند.

“مدل ما به طور مداوم از شبکه های عصبی کانولوشنال بهتر بود [CNNs]، که معمولاً از الگوریتم های یادگیری ماشینی برای کارهای بینایی رایانه استفاده می شود. آخیل وید، نویسنده اول، مدرس پزشکی دیجیتال و داده محور (D3M) در دانشکده پزشکی ایکان در کوه سینا، می گوید: چنین CNN هایی اغلب بر روی تصاویر موجود در دسترس عموم از اشیاء دنیای واقعی از قبل آموزش داده می شوند. HeartBEiT برای ECG تخصصی است، می تواند به همان خوبی، اگر بهتر از این روش ها نباشد، با استفاده از یک دهم داده ها انجام دهد. این امر تشخیص مبتنی بر ECG را به‌ویژه برای شرایط نادری که بیماران کمتری را تحت تأثیر قرار می‌دهند و بنابراین داده‌های محدودی در دسترس دارند، به‌طور قابل‌توجهی عملی‌تر می‌کند.»

به دلیل هزینه کم، غیر تهاجمی بودن و کاربرد گسترده آنها برای بیماری های قلبی، سالانه بیش از 100 میلیون الکتروکاردیوگرام تنها در ایالات متحده انجام می شود. با این وجود، کاربرد ECG از نظر دامنه محدود است، زیرا پزشکان نمی توانند به طور مداوم الگوهای معرف بیماری را با چشم غیر مسلح شناسایی کنند، به ویژه برای شرایطی که معیارهای تشخیصی مشخصی ندارند یا این الگوها ممکن است برای تفسیر انسانی بسیار ظریف یا آشفته باشند. با این حال، هوش مصنوعی در حال حاضر انقلابی در علم ایجاد کرده است، با این حال، بیشتر کار تا به امروز بر روی CNN متمرکز شده است.

کوه سینا با ایجاد علاقه شدید به سیستم‌های هوش مصنوعی مولد مانند ChatGPT، که بر روی ترانسفورماتورها ساخته شده‌اند – مدل‌های یادگیری عمیق که بر روی مجموعه داده‌های عظیمی از متن آموزش داده شده‌اند تا شبیه به انسان را ایجاد کنند، این میدان را در جهتی جدید و جسورانه پیش می‌برد. پاسخ به درخواست های کاربران در مورد تقریباً هر موضوعی. محققان از یک مدل تولید تصویر مرتبط برای ایجاد نمایش های مجزا از بخش های کوچک ECG استفاده می کنند که امکان تجزیه و تحلیل ECG را به عنوان زبان فراهم می کند.

دکتر وید توضیح می‌دهد: «این بازنمایی‌ها ممکن است واژه‌های جداگانه در نظر گرفته شوند، و کل ECG یک سند واحد است. “HeartBEiT روابط بین این بازنمایی ها را درک می کند و از این درک برای انجام وظایف تشخیصی پایین دستی به طور موثرتر استفاده می کند. سه وظیفه ای که ما این مدل را روی آن آزمایش کردیم، این بود که بدانیم آیا بیمار دچار حمله قلبی شده است یا خیر، آیا یک بیماری ژنتیکی به نام کاردیومیوپاتی هیپرتروفیک دارد یا خیر، و اینکه قلبش چقدر کارآمد است. در هر مورد، مدل ما بهتر از تمام خطوط پایه آزمایش شده دیگر عمل کرد.”

محققان از قبل آموزش دیدند HeartBEiT بر روی 8.5 میلیون ECG از 2.1 میلیون بیمار جمع آوری شده طی چهار دهه از چهار بیمارستان در سیستم بهداشت کوه سینا. سپس آنها عملکرد آن را در برابر معماری های استاندارد CNN در سه ناحیه تشخیصی قلب آزمایش کردند. مطالعه نشان داد که HeartBEiT عملکرد به طور قابل توجهی بالاتر در اندازه های نمونه پایین تر، همراه با “توضیح پذیری” بهتر بود. نویسنده ارشد، Girish Nadkarni، MD، MPH، Irene و دکتر Arthur M. Fishberg، استاد پزشکی در Icahn Mount Sinai، مدیر موسسه پزشکی شخصی چارلز برونفمن، و رئیس سیستم، بخش داده‌محور و پزشکی دیجیتال، گروه از پزشکی: “شبکه های عصبی جعبه سیاه در نظر گرفته می شوند، اما مدل ما در برجسته کردن ناحیه ECG مسئول تشخیص، مانند حمله قلبی، بسیار خاص تر بود، که به پزشکان کمک می کند تا آسیب شناسی زمینه ای را بهتر درک کنند. در مقایسه، توضیحات CNN مبهم بود حتی زمانی که آنها به درستی یک تشخیص را شناسایی کردند.”

در واقع، تیم Mount Sinai از طریق معماری مدل‌سازی جدید و پیچیده‌اش، شیوه‌ها و فرصت‌هایی را که پزشکان می‌توانند با ECG تعامل داشته باشند، بسیار افزایش داده است. دکتر نادکارنی توضیح داد: “ما می خواهیم روشن کنیم که هوش مصنوعی به هیچ وجه جایگزین تشخیص توسط متخصصان ECG نمی شود، بلکه توانایی آن رسانه را به روشی جدید و هیجان انگیز برای تشخیص مشکلات قلبی و نظارت بر قلب افزایش می دهد. سلامتی.”

این مقاله با عنوان “یک ترانسفورماتور بینایی پایه عملکرد تشخیصی برای الکتروکاردیوگرام ها را بهبود می بخشد.”