HeartBEiT: Die KI-Innovation des Mount Sinai entschlüsselt Elektrokardiogramme als Sprache

Von Mount Sinai Hospital / Mount Sinai School of Medicine, 6. Juni 2023

HeartBEiT ist viel präziser bei der Hervorhebung von Interessenbereichen, in diesem Fall bei der Diagnose von Herzinfarkten (Myokardinfarkt). Bildnachweis: Augmented Intelligence in Medicine and Science Laboratory an der Icahn School of Medicine am Mount 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"}]"> Genauigkeit und Detailliertheit der EKG-Diagnosen, selbst bei seltenen Erkrankungen mit begrenzten Daten. Es interpretiert EKGs als Sprache und übertrifft herkömmliche CNNs, indem es bestimmte EKG-Bereiche hervorhebt, die für Herzerkrankungen verantwortlich sind.

Forscher vom Mount Sinai haben ein innovatives Modell der künstlichen Intelligenz (KI) für die Analyse von Elektrokardiogrammen (EKG) entwickelt, das die Interpretation von EKGs als Sprache ermöglicht. Dieser Ansatz kann die Genauigkeit und Wirksamkeit von EKG-bezogenen Diagnosen verbessern, insbesondere bei Herzerkrankungen, bei denen nur begrenzte Trainingsdaten zur Verfügung stehen.

In einer in der Online-Ausgabe von npj Digital Medicine vom 6. Juni veröffentlichten Studie berichtete das Team, dass sein neues Deep-Learning-Modell, bekannt als HeartBEiT, eine Grundlage bildet, auf der spezialisierte Diagnosemodelle erstellt werden können. Das Team stellte fest, dass in Vergleichstests die mit HeartBEiT erstellten Modelle die etablierten Methoden zur EKG-Analyse übertrafen.

"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"}]"> Algorithmen des maschinellen Lernens für Computer-Vision-Aufgaben. Solche CNNs werden oft auf öffentlich zugänglichen Bildern von realen Objekten vortrainiert“, sagt Erstautor Akhil Vaid, MD, Dozent für datengesteuerte und digitale Medizin (D3M) an der Icahn School of Medicine am Mount Sinai. „Weil HeartBEiT spezialisiert ist.“ Bei EKGs kann es mit einem Zehntel der Daten eine ebenso gute, wenn nicht sogar bessere Leistung erbringen als diese Methoden. Dies macht die EKG-basierte Diagnose deutlich praktikabler, insbesondere bei seltenen Erkrankungen, von denen weniger Patienten betroffen sind und für die daher nur begrenzte Daten verfügbar sind.“

Aufgrund ihrer geringen Kosten, ihrer Nicht-Invasivität und ihrer breiten Anwendbarkeit bei Herzerkrankungen werden allein in den Vereinigten Staaten jedes Jahr mehr als 100 Millionen Elektrokardiogramme durchgeführt. Dennoch ist der Nutzen des EKG in seinem Umfang begrenzt, da Ärzte mit bloßem Auge Muster, die für eine Krankheit repräsentativ sind, nicht konsistent identifizieren können, insbesondere bei Erkrankungen, für die es keine etablierten Diagnosekriterien gibt oder bei denen solche Muster für eine menschliche Interpretation zu subtil oder chaotisch sein könnten. Künstliche Intelligenz revolutioniert nun jedoch die Wissenschaft, wobei sich die meisten Arbeiten bisher auf CNNs konzentrierten.

Mount Sinai geht in eine mutige neue Richtung, indem es auf dem intensiven Interesse an sogenannten generativen KI-Systemen wie ChatGPT aufbaut, die auf Transformern basieren – Deep-Learning-Modellen, die auf riesigen Textdatensätzen trainiert werden, um menschenähnliche Texte zu generieren Antworten auf Eingabeaufforderungen von Benutzern zu fast jedem Thema. Forscher verwenden ein entsprechendes Bilderzeugungsmodell, um diskrete Darstellungen kleiner Teile des EKGs zu erstellen und so die Analyse des EKGs als Sprache zu ermöglichen.

„Diese Darstellungen können als einzelne Wörter und das gesamte EKG als ein einziges Dokument betrachtet werden“, erklärt Dr. Vaid. „HeartBEiT versteht die Beziehungen zwischen diesen Darstellungen und nutzt dieses Verständnis, um nachgelagerte Diagnoseaufgaben effektiver durchzuführen. Die drei Aufgaben, an denen wir das Modell getestet haben, waren das Erlernen, ob ein Patient einen Herzinfarkt hat, ob er an einer genetischen Störung namens hypertrophe Kardiomyopathie leidet und wie effektiv ihr Herz funktioniert. In jedem Fall schnitt unser Modell besser ab als alle anderen getesteten Basislinien.“

Die Forscher trainierten HeartBEiT vorab anhand von 8,5 Millionen EKGs von 2,1 Millionen Patienten, die über einen Zeitraum von vier Jahrzehnten in vier Krankenhäusern des Gesundheitssystems des Mount Sinai gesammelt wurden. Anschließend testeten sie seine Leistung anhand von Standard-CNN-Architekturen in den drei Bereichen der Herzdiagnostik. Die Studie ergab, dass HeartBEiT bei geringeren Stichprobengrößen eine deutlich höhere Leistung und eine bessere „Erklärbarkeit“ aufwies. Erläutert der leitende Autor Girish Nadkarni, MD, MPH, Irene und Dr. Arthur M. Fishberg, Professor für Medizin am Icahn Mount Sinai, Direktor des Charles Bronfman Institute of Personalized Medicine und Systemchef der Abteilung für datengesteuerte und digitale Medizin of Medicine: „Neuronale Netze gelten als Black Boxes, aber unser Modell war viel spezifischer bei der Hervorhebung der Region des EKG, die für eine Diagnose, wie zum Beispiel einen Herzinfarkt, verantwortlich ist, was Ärzten hilft, die zugrunde liegende Pathologie besser zu verstehen.“ Die Erklärungen von CNN waren vage, selbst wenn sie eine Diagnose korrekt identifizierten.

Tatsächlich hat das Mount Sinai-Team durch seine ausgefeilte neue Modellierungsarchitektur die Art und Weise und die Möglichkeiten, mit denen Ärzte mit dem EKG interagieren können, erheblich verbessert. „Wir möchten klarstellen, dass künstliche Intelligenz keineswegs die professionelle EKG-Diagnose ersetzt“, erklärte Dr. Nadkarni, „sondern vielmehr die Fähigkeit dieses Mediums auf eine aufregende und überzeugende neue Art und Weise erweitert, Herzprobleme zu erkennen und die Herzfunktion zu überwachen.“ Gesundheit."

Der Artikel trägt den Titel „Ein grundlegender Sehtransformator verbessert die Diagnoseleistung für Elektrokardiogramme.“

Referenz: „Ein grundlegender Sehtransformator verbessert die Diagnoseleistung für Elektrokardiogramme“, 6. Juni 2023, npj Digital Medicine.DOI: 10.1038/s41746-023-00840-9

Diese Studie wurde vom National Heart, Lung, and Blood Institute des NIH, Fördernummer R01HL155915, und vom National Center for Advancing Translational Sciences des NIH, Fördernummer UL1TR004419, finanziert.