هوش مصنوعی نوار قلب را می خواند و بیماری را تشخیص می دهد - بازیکده

به گزارش خبرنگاران به نقل از پژوهشگران آمریکایی در بیمارستان مانت ساینای (Mount Sinai) یک مدل هوش مصنوعی (AI) ابداعی را برای تجزیه و تحلیل نوار قلب یا الکتروکاردیوگرام ایجاد نموده اند که نوار قلب را مانند یک زبان تفسیر می نماید. این رویکرد نو می تواند دقت و کارآمدی تشخیص بیماری ها بر اساس نوار قلب را افزایش دهد.

این پژوهشگران در آنالیز که یافته های آن را اخیرا در ژورنال npj Digital Medicine منتشر نموده اند. گزارش می نمایند که این مدل نو بر اساس یادگیری ژرف (deep learning) با نام HeartBEit اساسی را برای مدل های تشخیصی تخصص یافته ایجاد می نماید. این پژوهشگران یادآور می شوند که در آزمون های مقایسه ای مدل های ایجادشده با استفاده از HeartBEiT کارایی بیشتری نسبت به روش های شناخته شده برای تجزیه وتحلیل نوار قلب نشان داده اند.

مدل نو هوش مصنوعی کارآیی بیشتری دارد

نویسنده اصلی مقاله این آنالیز، دکتر آخیل واید، مدرس پزشکی دیجیتال و داده محور (D3M) در دانشکده پزشکی ایکاهن در مونت سینایی می گوید مدل هوش مصنوعی ایجاد شده نسبت به شبکه های عصبی پیچشی یا همگشتی (CNN) که به طور معمول در الگوریتم های یادگیری ماشینی برای تحلیل تصویری بوسیله کامپیوتر به کار می روند، کارآیی بیشتری داشته است. چنین CNN هایی اغلب با استفاده از تصاویر در دسترس عمومی از اشیای دنیا واقعی از پیش آموزش داده می شوند.

او می گوید: از آنجایی که HeartBEit برای خواندن نوار قلب تخصص یافته است، می تواند با کارآیی دست کم به مقدار همین روش ها با استفاده از یک دهم داده ها عمل کند. این اندازه کارآیی، به طور قابل ملاحظه ای تشخیص بر اساس نوار قلب را عملی تر می نماید، به خصوص درباره عوار نادری که بیماران کمتری به آن مبتلا می شوند و بنابراین داده های محدودی درباره شان در دست است.

نوار قلب وسیله تشخیصی مقرون به صرفه و بدون تهاجم

الکتروکاردیوگرافی (ECG) یا گرفتن نوار قلب یک روش مقرون به صرفه قیمت و غیرتهاجمی است که کاربرد گسترده ای در تشخیص بیماری های قلبی دارد. ام این حقیقت که پزشکان با چشم غیرمسلح همواره نمی توانند الگوهای فعالیت الکتریکی در نوار قلب را که شاخص بیماری ها هستند، شناسایی نمایند، این موضوع به خصوص درباره بیماری هایی صادق است که که معیارهای تشخیصی تثبیت شده ندارند یا ممکن است الگوهای فعالیت الکتریکی ایجاد نمایند که بیش از حد ظریف یا نامنظم باشند که انسان بتواند آنها را تفسیر کند. هوش مصنوعی اکنون تحول بزرگی در علوم ایجاد نموده است، اما اغلب کارها تا به امروز بر CNN ها متمرکز بوده اند.

مانت ساینای اکنون با اتکا بر علاقه شدیدی که به سیستم های هوش مصنوعی به اصطلاح مولد (Generative AI) که بر اساس ترانسفورمرها ساخته می شوند،ایجاد شده است، این حوزه را به جهت کاملا نوی کشانده است. هوش مصنوعی مولد بر اساس ترانسفورمرها است- مدل های یادیگری عمیق که با مجموعه داده های بسیار گسترده متنی تعلیم می بینند تا بتوانند پاسخ های شبیه به انسان در مقابل پرسش ها یا پرامپت های مطرح شده بوسیله کاربران در تقریبا هر موضوعی ایجاد نمایند. پژوهشگران مانت ساینای از یک مدل فراوری تصویر مربوط برای ایجاد بازنمایی مشخصی از بخش های کوچکی از نوار قلب استفاده می نمایند و به این ترتیب امکان تجزیه و تحلیل نوار قلب به عنوان یک زبان فراهم می گردد.

این بازنمایی ها را می توان کلماتی منفرد شمرد و کل نوار قلب را یک سند منفرد. مدل HeartBEiT روابط بین این بازنمایی ها از بخش های نوار قلب را درک می نماید و از این شناخت برای انجام وظایف تشخیصی جزئی تر به طور موثر استفاه می نماید.

هوش مصنوعی بیماری را تشخیص می دهد

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 معین اندازه کارآمدی عملکرد قلب در بیماران استفاده کردند و به گفته آنها در هر سه مورد این مدل نو بهتر از سایر روش های تشخیصی تثبیت شده عمل کرد.

این پژوهشگران HeartBEiT را با 8/5 میلیون نوار قلب به دست آمده از 2/1 میلیون بیمارکه در طول چهار دهه از چهار بیمارستان درون نظام بهداشتی مانت ساینای گردآوری شده بود، آموش دادند. بعد آنها کارکرد این مدل نو را در برابر یک چارچوب استاندارد CNN در سه حوزه تشخیصی قلبی آزمایش کردند. این آنالیز نشان داد که HeartBEiT در مقدار های نمونه کوچکتر کارکرد بسیار بالاتر و نیز شرح پذیری بهتری دارد.