Les chercheurs de Mount Sinai ont développé un modèle innovant d’intelligence artificielle (IA) pour l’analyse des électrocardiogrammes (ECG) qui permet l’interprétation des ECG en tant que langage. Cette approche peut améliorer la précision et l’efficacité des diagnostics liés à l’ECG, en particulier pour les affections cardiaques pour lesquelles des données limitées sont disponibles sur lesquelles s’entraîner.
Dans une étude publiée dans le numéro en ligne du 6 juin de npj Médecine numérique, l’équipe a indiqué que son nouveau modèle d’apprentissage en profondeur, connu sous le nom de HeartBEiT, constitue une base sur laquelle des modèles de diagnostic spécialisés peuvent être créés. L’équipe a noté que dans les tests de comparaison, les modèles créés à l’aide de HeartBEiT surpassaient les méthodes établies pour l’analyse ECG.
Notre modèle a constamment surpassé les réseaux de neurones convolutifs [CNNs], qui sont des algorithmes d’apprentissage automatique couramment utilisés pour les tâches de vision par ordinateur. Ces CNN sont souvent préformés sur des images accessibles au public d’objets du monde réel. Parce que HeartBEiT est spécialisé dans les ECG, il peut fonctionner aussi bien, sinon mieux, que ces méthodes en utilisant un dixième des données. Cela rend le diagnostic basé sur l’ECG considérablement plus viable, en particulier pour les maladies rares qui affectent moins de patients et donc pour lesquelles les données disponibles sont limitées. »
Akhil Vaid MD, premier auteur et instructeur de l’étude, médecine numérique et axée sur les données, Icahn School of Medicine at Mount Sinai
Grâce à leur faible coût, leur caractère non invasif et leur large applicabilité aux maladies cardiaques, plus de 100 millions d’électrocardiogrammes sont effectués chaque année aux États-Unis seulement. Néanmoins, l’utilité de l’ECG est limitée dans sa portée car les médecins ne peuvent pas identifier de manière cohérente, à l’œil nu, les schémas représentatifs de la maladie, en particulier pour les conditions qui n’ont pas de critères de diagnostic établis ou lorsque ces schémas peuvent être trop subtils ou chaotiques pour l’interprétation humaine. L’intelligence artificielle est en train de révolutionner la science, cependant, la plupart des travaux à ce jour étant centrés sur les CNN.
Mount Sinai prend le terrain dans une nouvelle direction audacieuse en s’appuyant sur l’intérêt intense pour les systèmes d’IA dits génératifs tels que ChatGPT, qui sont construits sur des transformateurs ; des modèles d’apprentissage en profondeur qui sont formés sur des ensembles de données de texte massifs pour générer des humains comme les réponses aux invites des utilisateurs sur presque tous les sujets. Les chercheurs utilisent un modèle de génération d’images connexe pour créer des représentations discrètes de petites parties de l’ECG, permettant l’analyse de l’ECG en tant que langage.
« Ces représentations peuvent être considérées comme des mots individuels, et l’ensemble de l’ECG comme un seul document », explique le Dr Vaid. « HeartBEiT comprend les relations entre ces représentations et utilise cette compréhension pour effectuer plus efficacement des tâches de diagnostic en aval. Les trois tâches sur lesquelles nous avons testé le modèle consistaient à savoir si un patient faisait une crise cardiaque, s’il souffrait d’une maladie génétique appelée cardiomyopathie hypertrophique et avec quelle efficacité son cœur fonctionnait. Dans chaque cas, notre modèle a obtenu de meilleurs résultats que toutes les autres lignes de base testées. »
Des chercheurs préformés HeartBEiT sur 8,5 millions d’ECG de 2,1 millions de patients recueillis sur quatre décennies dans quatre hôpitaux du système de santé du mont Sinaï. Ils ont ensuite testé ses performances par rapport aux architectures CNN standard dans les trois domaines du diagnostic cardiaque. L’étude a révélé que HeartBEiT avait des performances significativement plus élevées à des tailles d’échantillons inférieures, ainsi qu’une meilleure « explicabilité ». Élabore l’auteur principal Girish Nadkarni, MD, MPH, Irene et le Dr Arthur M. Fishberg, professeur de médecine à Icahn Mount Sinai, directeur de l’Institut Charles Bronfman de médecine personnalisée et chef du système, Division de la médecine basée sur les données et numérique, Département of Medicine : « Les réseaux de neurones sont considérés comme des boîtes noires, mais notre modèle était beaucoup plus précis en mettant en évidence la région de l’ECG responsable d’un diagnostic, comme une crise cardiaque, ce qui aide les cliniciens à mieux comprendre la pathologie sous-jacente. En comparaison, le Les explications de CNN étaient vagues même lorsqu’elles identifiaient correctement un diagnostic. »
En effet, grâce à sa nouvelle architecture de modélisation sophistiquée, l’équipe de Mount Sinai a considérablement amélioré la manière et les possibilités par lesquelles les médecins peuvent interagir avec l’ECG. « Nous voulons être clairs sur le fait que l’intelligence artificielle ne remplace en aucun cas le diagnostic par les professionnels des ECG », a expliqué le Dr Nadkarni, « mais augmente plutôt la capacité de ce moyen d’une nouvelle façon passionnante et convaincante de détecter les problèmes cardiaques et de surveiller le cœur. santé. »
