西奈山的研究人员利用机器学习开发了一种名为HeartBEiT的新型心电图（ECG）分析模型。
HeartBEiT在来自210万名患者的850万个ECG的海量数据集上进行了预训练，其性能优于传统的卷积神经网络(CNN)。
ECG是无处不在的心脏诊断测试，仅在美国每年就进行了约1亿次。
心电图测量心脏的电活动，并且是高度信息的范围广泛的心律失常，与心脏病发作相关的异常心脏活动，以及其他形式的心脏病。ECG的问题是许多微妙的适应症很难解释，特别是对于罕见的心脏病。
在这项研究之前，机器学习（ML）已经应用于ECG图像，以自动标记和分类异常结果。这提高了诊断速度和准确性，并减少了临床监督的机会。
Mount Sinai是纽约一家医院和研究网络，在850万次心电图扫描中训练了一个基于视觉的Transformer模型。
值得注意的是，该模型不同于卷积神经网络（CNN），后者是图像分类任务中最常见的神经网络。 的 研究发表在《自然》杂志上的文章指出，该模型在识别各种心脏疾病方面优于其他模型。
HeartBEiT如何工作
用于图像分类的CNN涉及监督机器学习，这意味着它们需要大量的标记数据，这些数据的收集和注释可能是劳动密集型的。相反，HeartBEiT使用无监督技术从庞大的数据集中学习，为下游调整到更具体的任务提供了基础。
研究团队使用了OpenAI创建的DALL—E模型。DALL—E学习令牌之间的关系。在这种情况下，ECG图像的一部分—标记—大致类似于句子中的单词。
该模型学习了它们之间的关系，这使得它能够挑出指示心脏问题的异常标记。
HeartBEiT的预测与标准CNN架构在几种心脏疾病中进行了比较，在较小的样本量下表现优于它们。
与其他模型相比，HeartBEiT(D)更准确地突出了特定的异常区域。来源：《自然》。
作者之一，西奈山伊坎医学院数据驱动和数字医学（D3M）讲师Akhil Vaid说：“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。
此外，HeartBEiT能够突出显示与异常相关的ECG特定区域。
另一位作者，Charles Bronfman个性化医学研究所主任、医学博士、公共卫生硕士（MPH）说：“神经网络被认为是黑箱，但我们的模型更具体地强调了负责诊断的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的解释即使正确地确定了诊断结果，也是含糊其辞的。
人工智能在医学研究和开发中的作用是根深蒂固的，这是机器学习(ML)模型创新地重新用于医疗应用的又一个例子。
