HeartBEiT : l'innovation IA de Mount Sinai décodage des électrocardiogrammes en tant que langage

By The Mount Sinai Hospital / Mount Sinai School of Medicine6 juin 2023

HeartBEiT est beaucoup plus précis pour mettre en évidence les domaines d’intérêt, dans ce cas pour diagnostiquer les crises cardiaques (infarctus du myocarde). Crédit : Intelligence augmentée en médecine et laboratoire scientifique à l’École de médecine Icahn du Mont Sinaï

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"}]">précision et détail des diagnostics ECG, même pour des conditions rares avec des données limitées. Il interprète les ECG comme un langage et surpasse les CNN traditionnels, mettant en évidence des zones ECG spécifiques responsables de maladies cardiaques.

Les chercheurs du Mont Sinaï ont mis au point un modèle novateur d’intelligence artificielle (IA) pour l’analyse de l’électrocardiogramme (ECG) qui permet d’interpréter les 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 les données disponibles sur lesquelles s’entraîner sont limitées.

Dans une étude publiée dans le numéro en ligne du 6 juin de npj Digital Medicine, l’équipe a rapporté que son nouveau modèle d’apprentissage profond, 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 comparatifs, les modèles créés à l’aide de HeartBEiT surpassaient les méthodes établies pour l’analyse ECG.

"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"}]">algorithmes d’apprentissage automatique pour les tâches de vision par ordinateur. Ces CNN sont souvent préformés sur des images accessibles au public d’objets du monde réel », explique le premier auteur Akhil Vaid, MD, instructeur de médecine numérique et axée sur les données (D3M) à l’École de médecine Icahn du Mont Sinaï. « 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 ont donc des données limitées disponibles. »

Grâce à leur faible coût, à leur caractère non invasif et à leur large applicabilité aux maladies cardiaques, plus de 100 millions d’électrocardiogrammes sont effectués chaque année rien qu’aux États-Unis. Néanmoins, l’utilité de l’ECG est limitée dans sa portée puisque les médecins ne peuvent pas identifier de manière cohérente, à l’œil nu, des modèles représentatifs de la maladie, en particulier pour les conditions qui n’ont pas de critères diagnostiques établis ou lorsque ces modèles peuvent être trop subtils ou chaotiques pour une interprétation humaine. Cependant, l’intelligence artificielle révolutionne maintenant la science, la plupart des travaux à ce jour étant centrés sur les CNN.

Mount Sinai prend le domaine 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 profond formés sur des ensembles de données massives de texte pour générer des réponses humaines 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, ce qui permet d’analyser l’ECG en tant que langage.

« Ces représentations peuvent être considérées comme des mots individuels, et l’ensemble de l’ECG un seul document », explique le Dr Vaid. « HeartBEiT comprend les relations entre ces représentations et utilise cette compréhension pour effectuer des tâches de diagnostic en aval plus efficacement. Les trois tâches sur lesquelles nous avons testé le modèle étaient d’apprendre si un patient a une crise cardiaque, s’il a un trouble génétique appelé cardiomyopathie hypertrophique et l’efficacité du fonctionnement de son cœur. Dans chaque cas, notre modèle a donné de meilleurs résultats que toutes les autres bases de référence testées. »

Les chercheurs ont préformé HeartBEiT sur 8,5 millions d’ECG provenant de 2,1 millions de patients prélevés sur quatre décennies dans quatre hôpitaux du système de santé Mount Sinai. Ensuite, ils ont testé ses performances par rapport aux architectures CNN standard dans les trois domaines de diagnostic cardiaque. L’étude a révélé que HeartBEiT avait des performances significativement plus élevées à des tailles d’échantillon inférieures, ainsi qu’une meilleure « explicabilité ». L’auteur principal Girish Nadkarni, MD, MPH, Irene et Dr Arthur M. Fishberg professeur de médecine à Icahn Mount Sinai, directeur de l’Institut Charles Bronfman de médecine personnalisée et chef de système, Division de médecine numérique et axée sur les données, Département de médecine: « Les réseaux neuronaux sont considérés comme des boîtes noires, mais notre modèle était beaucoup plus spécifique en mettant en évidence la région de l’ECG responsable d’un diagnostic, comme une crise cardiaque, qui aide les cliniciens à mieux comprendre la pathologie sous-jacente. En comparaison, 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 grandement 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 des professionnels des ECG », a expliqué le Dr Nadkarni, « mais augmente plutôt la capacité de ce médium d’une nouvelle façon passionnante et convaincante de détecter les problèmes cardiaques et de surveiller la santé du cœur. »

L’article s’intitule « Un transformateur de vision fondamental améliore les performances diagnostiques des électrocardiogrammes ».

Référence: « Un transformateur de vision fondamental améliore les performances de diagnostic pour les électrocardiogrammes » 6 juin 2023, npj Digital Medicine.DOI: 10.1038/s41746-023-00840-9

Cette étude a été financée par le National Heart, Lung, and Blood Institute des NIH, numéro de subvention R01HL155915, et par le National Center for Advancing Translational Sciences des NIH, numéro de subvention UL1TR004419.