هوش مصنوعی نوار قلب‌ را می‌خواند و بیماری را تشخیص می‌دهد

به گزارش پژوهشگران آمریکایی در بیمارستان مانت ساینای (Mount Sinai)  یک مدل «هوش مصنوعی» (AI) ابداعی را برای تجزیه و تحلیل نوار قلب یا الکتروکاردیوگرام ایجاد کرده‌اند که نوار قلب را مانند یک زبان تفسیر می‌کند. این رویکرد جدید می‌تواند دقت و کارآمدی تشخیص‌ بیماری‌ها بر اساس نوار قلب را افزایش دهد.

این پژوهشگران در بررسی که یافته‌های آن را اخیرا در ژورنال npj Digital Medicine منتشر کرده‌اند. گزارش می‌کنند که این مدل جدید بر اساس «یادگیری ژرف» (deep learning) با نام HeartBEit اساسی را برای مدل‌های تشخیصی تخصص‌یافته ایجاد می‌کند. این پژوهشگران یادآور می‌شوند که در آزمون‌های مقایسه‌ای مدل‌های ایجادشده با استفاده از  HeartBEiT کارایی بیشتری نسبت به روش‌های شناخته‌شده برای تجزیه‌وتحلیل نوار قلب نشان داده‌اند.

مدل جدید هوش مصنوعی کارآیی بیشتری دارد

نویسنده اصلی مقاله این بررسی، دکتر آخیل واید، مدرس «پزشکی دیجیتال و داده‌محور»  (D3M) در دانشکده پزشکی ایکاهن در مونت‌سینایی می‌گوید مدل هوش مصنوعی ایجاد شده نسبت به «شبکه‌های عصبی  پیچشی یا همگشتی» (CNN) که به طور معمول در الگوریتم‌های یادگیری ماشینی برای تحلیل تصویری بوسیله کامپیوتر به کار می‌روند، کارآیی بیشتری داشته است. چنین CNN‌هایی اغلب با استفاده از تصاویر در دسترس عمومی از اشیای جهان واقعی از پیش آموزش داده می‌شوند.

او می‌گوید: «از آنجایی که HeartBEit  برای خواندن نوار قلب تخصص یافته است، می‌تواند با کارآیی دست کم به اندازه همین روش‌ها با استفاده از یک دهم داده‌ها عمل کند. این میزان کارآیی، به طور قابل‌ملاحظه‌ای تشخیص بر اساس نوار قلب را عملی‌تر می‌کند، به خصوص درباره عوار نادری که بیماران کمتری به آن مبتلا می‌شوند و بنابراین داده‌های محدودی درباره‌شان در دست است.»

نوار قلب وسیله تشخیصی ارزان و بدون تهاجم

الکتروکاردیوگرافی (ECG) یا گرفتن نوار قلب یک روش ارزان‌قیمت و غیرتهاجمی است که کاربرد گسترده‌ای در تشخیص بیماری‌های قلبی دارد. ام این حقیقت که پزشکان با چشم غیرمسلح همیشه نمی‌توانند الگوهای فعالیت الکتریکی در نوار قلب را که شاخص بیماری‌ها هستند، شناسایی کنند، این موضوع به خصوص درباره بیماری‌هایی صادق است که که معیارهای تشخیصی تثبیت‌شده ندارند یا ممکن است الگوهای فعالیت الکتریکی ایجاد کنند که بیش از حد ظریف یا نامنظم باشند که انسان بتواند آنها را تفسیر کند. هوش مصنوعی اکنون تحول بزرگی در علوم ایجاد کرده است، اما اغلب کارها تا به امروز بر CNN ها متمرکز بوده‌اند.

مانت ساینای اکنون با اتکا بر علاقه شدیدی که به سیستم‌های هوش مصنوعی به اصطلاح  مولد (Generative AI) که بر اساس «ترانسفورمرها» ساخته می‌شوند،ایجاد شده است، این حوزه را به جهت کاملا جدیدی کشانده است. هوش مصنوعی مولد بر اساس «ترانسفورمرها» است- مدل‌های یادیگری عمیق که با مجموعه‌ داده‌های بسیار گسترده متنی تعلیم می‌بینند تا بتوانند پاسخ‌های شبیه به انسان در مقابل پرسش‌ها یا پرامپت‌های مطرح‌شده بوسیله کاربران در تقریبا هر موضوعی ایجاد کنند. پژوهشگران مانت ساینای از یک مدل تولید تصویر مربوط برای ایجاد بازنمایی مشخصی از بخش‌های کوچکی از نوار قلب استفاده می‌کنند و به این ترتیب امکان تجزیه و تحلیل نوار قلب به عنوان یک زبان فراهم می‌شود.

این بازنمایی‌ها را می‌توان کلماتی منفرد شمرد و کل نوار قلب را یک سند منفرد. مدل HeartBEiT روابط بین این بازنمایی‌ها از بخش‌های نوار قلب را درک می‌کند و از این شناخت برای انجام وظایف تشخیصی جزئی‌تر به طور موثر استفاه می‌کند.

هوش مصنوعی بیماری را تشخیص می‌دهد

این پژوهشگران از این مدل هوش مصنوع برای سه وظیفه تشخیص حمله قلبی در بیماران، تشخیص یک اختلال  ژنتیکی نادر به نام کاردیومیوپاتی هیپرتروفیک در بیماران و تعیین میزان کارآمدی عملکرد قلب در بیماران استفاده کردند و به گفته آنها در هر سه مورد این مدل جدید بهتر از سایر روش‌های تشخیصی تثبیت‌شده عمل کرد.

این پژوهشگران HeartBEiT را با ۸/۵ میلیون نوار قلب به دست آمده از ۲/۱ میلیون بیمارکه در طول چهار دهه از چهار بیمارستان درون نظام بهداشتی مانت ساینای گردآوری شده بود، آموش دادند.  بعد آنها کارکرد این مدل جدید را در برابر یک چارچوب استاندارد CNN در سه حوزه تشخیصی قلبی آزمایش کردند. این بررسی نشان داد که HeartBEiT در اندازه‌های نمونه کوچکتر کارکرد بسیار بالاتر و نیز «توضیح‌پذیری» بهتری دارد.