(相关资料图)

西奈山研究人员开发了一种用于心电图 (ECG) 分析的创新人工智能 (AI) 模型，可以将 ECG 解释为语言。这种方法可以提高 ECG 相关诊断的准确性和有效性，特别是对于可用于训练的数据有限的心脏疾病。

在npj Digital Medicine 6 月 6 日网络版上发表的一项研究中 DOI: 10.1038/s41746-023-00840-9，该团队报告说，其新的深度学习模型，称为 HeartBEiT，构成了可以创建专门诊断模型的基础。该团队指出，在比较测试中，使用 HeartBEiT 创建的模型优于既定的 ECG 分析方法。

“我们的模型始终优于卷积神经网络 [CNN]，后者是计算机视觉任务中常用的机器学习算法。此类 CNN 通常在真实世界物体的公开图像上进行预训练，”第一作者、西奈山伊坎医学院数据驱动和数字医学 (D3M) 讲师、医学博士 Akhil Vaid 说。“因为HeartBEiT专用于心电图，它使用十分之一的数据就可以表现得与这些方法一样好，甚至更好。这使得基于心电图的诊断更加可行，特别是对于影响较少患者且因此可用数据有限的罕见病症。”

由于其成本低、无创性和对心脏病的广泛适用性，仅在美国每年就有超过 1 亿次心电图检查。尽管如此，ECG 的用途在范围上是有限的，因为医生不能用肉眼始终如一地识别代表疾病的模式，特别是对于没有建立诊断标准或这些模式对于人类解释来说可能过于微妙或混乱的情况。然而，人工智能现在正在彻底改变科学，迄今为止的大部分工作都集中在 CNN 上。

Mount Sinai 正在通过建立在所谓的生成式 AI 系统(例如 ChatGPT)的浓厚兴趣的基础上，将这个领域引向一个大胆的新方向，这些系统建立在 transformer 之上——深度学习模型在大量文本数据集上进行训练以生成类似人类的对用户

“这些表示可能被认为是单独的单词，而整个 ECG 是一个文件，”Vaid 博士解释说。“ HeartBEiT理解这些表示之间的关系，并利用这种理解更有效地执行下游诊断任务。我们测试模型的三项任务是了解患者是否心脏病发作，他们是否患有称为肥厚性心肌病的遗传性疾病，以及他们的心脏功能如何有效。在每种情况下，我们的模型都比所有其他测试基线表现得更好。”

研究人员对HeartBEiT进行了 850 万张心电图的预训练，这些心电图来自 40 年来从西奈山卫生系统内的四家医院收集的 210 万名患者。然后，他们在三个心脏诊断领域针对标准 CNN 架构测试了它的性能。研究发现，HeartBEiT在较小的样本量下具有显着更高的性能，以及更好的“可解释性”。阐述了资深作者 Girish Nadkarni，MD，MPH，Irene 和 Icahn Mount Sinai 的 Arthur M. Fishberg 医学教授，Charles Bronfman 个性化医学研究所所长，以及数据驱动和数字医学部系统主管医学博士：“神经网络被认为是黑匣子，但我们的模型更具体地突出了负责诊断的 ECG 区域，例如心脏病发作，这有助于临床医生更好地了解潜在的病理学。相比之下，CNN 的解释很模糊，即使他们正确地做出了诊断。”

事实上，通过其复杂的新建模架构，Mount Sinai 团队极大地增强了医生与 ECG 交互的方式和机会。Nadkarni 博士解释说：“我们想要明确的是，人工智能绝不是要取代专业人员根据 ECG 进行的诊断，而是以一种令人兴奋且令人信服的新方法来增强该介质的能力，以检测心脏问题并监测心脏的健康。”

这篇论文的标题是“基础视觉转换器提高了心电图的诊断性能”。