HeartBEiT je model umjetne inteligencije koji poboljšava točnost i detalje EKG dijagnoze, čak i za rijetka stanja za koja postoji samo ograničena količina medicinskih podataka. Tumači EKG kao jezik i nadmašuje tradicionalne konvolucijske neuronske mreže (CNN), ističući određena područja EKG-a odgovorna za bolesti srca.

Točno i učinkovito

Ovaj inovativni UI model za analizu elektrokardiograma, koji omogućuje interpretaciju EKG-a kao jezika, osmislili su stručnjaci Laboratorija za proširenu inteligenciju u medicini i znanosti na Icahnovoj medicinskoj školi Sveučilišta Mount Sinai. Ovaj pristup, opisan u online izdanju časopisa npj Digitalna medicinapokazalo se da poboljšava točnost i učinkovitost dijagnoze povezane s EKG-om, posebno za srčana stanja gdje su dostupni ograničeni podaci o vježbanju.

HeartBEiT je mnogo precizniji u istraživanju područja interesa, u ovom slučaju za dijagnosticiranje srčanog udara (infarkt miokarda) 📷 Mount Sinai
HeartBEiT je puno točniji u istraživanju područja interesa, u ovom slučaju za dijagnosticiranje srčanog udara (infarkta miokarda). brdo Sinaj

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. Budući da je HeartBEiT specijaliziran za EKG, može raditi jednako dobro, ako ne i bolje od ovih metoda koje koriste tek desetinu podataka, kažu istraživači koji koriste generativne UI sustave kao što je ChatGPT, izgrađen na modelima dubokog učenja obučenim na ogromnim skupovima podataka.

EKG kao dokument

HeartBEiT koristi srodni model generiranja slika za stvaranje diskretnih prikaza malih dijelova EKG-a, omogućujući analizu EKG-a kao jezika.

HeartBEiT je uvježban na 8,5 milijuna EKG nalaza prikupljenih tijekom četiri desetljeća
HeartBEiT je uvježban na 8,5 milijuna EKG nalaza prikupljenih tijekom četiri desetljeća

“Ovi prikazi mogu se smatrati pojedinačnim riječima, a cijeli EKG jednim dokumentom”, objašnjavaju istraživači. “HeartBEiT razumije odnose između ovih prikaza i 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 prema manjim veličinama uzorka i da bolje “objašnjava” prikupljene informacije.

Više o temiIzvor:Bug.hr