HeartBEiT est beaucoup plus précis dans la mise en évidence des zones d’intérêt, dans ce cas pour le diagnostic des crises cardiaques (infarctus du myocarde). Crédit : Augmented Intelligence in Medicine and Science Laboratory at the Icahn School of Medicine at Mount Sinai (en anglais)
Le modèle d’IA de Mount Sinai, HeartBEiT, améliore la précision et le détail des diagnostics ECG, même pour les maladies rares pour lesquelles les données sont limitées. Il interprète les ECG comme un langage et surpasse les CNN traditionnels, en mettant en évidence les zones spécifiques de l’ECG responsables des pathologies cardiaques.
Des chercheurs du Mount Sinai ont mis au point un modèle innovant d’intelligence artificielle (IA) pour l’analyse des électrocardiogrammes (ECG) qui permet d’interpréter les ECG comme un langage. Cette approche peut améliorer la précision et l’efficacité des diagnostics liés à l’ECG, en particulier pour les pathologies cardiaques pour lesquelles les données disponibles sont limitées.
Dans une étude publiée dans le numéro en ligne du 6 juin de npj Digital Medicine, l’équipe a indiqué 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 de comparaison, les modèles créés à l’aide de HeartBEiT ont surpassé les méthodes établies pour l’analyse de l’ECG.
« Notre modèle a constamment surpassé les réseaux neuronaux convolutifs. [CNNs]qui sont des algorithmes d’apprentissage machine couramment utilisés pour les tâches de vision par ordinateur. Ces réseaux neuronaux convolutifs sont souvent entraînés sur des images publiques d’objets du monde réel », explique le premier auteur, Akhil Vaid, docteur en médecine, instructeur en médecine numérique et fondée sur les données (D3M) à l’école de médecine Icahn de Mount Sinai. « Parce que HeartBEiT est spécialisé dans les ECG, il peut être aussi performant, sinon plus, 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 pour lesquelles les données disponibles sont donc limitées ».
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 réalisés chaque année rien qu’aux États-Unis. Néanmoins, l’utilité de l’ECG est limitée car les médecins ne peuvent pas toujours identifier, à l’œil nu, des schémas représentatifs de la maladie, en particulier pour les pathologies pour lesquelles il n’existe pas de critères diagnostiques établis ou lorsque ces schémas sont trop subtils ou chaotiques pour être interprétés par l’homme. Toutefois, l’intelligence artificielle est en train de révolutionner cette science, la plupart des travaux réalisés à ce jour étant centrés sur les CNN.
Mount Sinai donne une nouvelle orientation audacieuse à ce domaine en s’appuyant sur l’intérêt marqué pour les systèmes d’IA dits génératifs tels que ChatGPT, qui reposent sur des transformateurs – des modèles d’apprentissage profond formés sur des ensembles massifs de données textuelles afin de générer des réponses humaines aux questions des utilisateurs sur presque tous les sujets. Les chercheurs utilisent un modèle apparenté de génération d’images 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 comme un document unique », explique le Dr Vaid. « HeartBEiT comprend les relations entre ces représentations et utilise cette compréhension pour effectuer plus efficacement les tâches de diagnostic en aval. Les trois tâches sur lesquelles nous avons testé le modèle consistaient à savoir si un patient était en train de faire une crise cardiaque, s’il était atteint d’une maladie génétique appelée cardiomyopathie hypertrophique et si son cœur fonctionnait efficacement. Dans chaque cas, notre modèle a obtenu de meilleurs résultats que tous les autres modèles de référence testés ».
Les chercheurs ont entraîné HeartBEiT sur 8,5 millions d’électrocardiogrammes de 2,1 millions de patients, recueillis pendant quatre décennies dans quatre hôpitaux du Mount Sinai Health System. Ils ont ensuite testé ses performances par rapport aux architectures CNN standard dans les trois domaines de diagnostic cardiaque. L’étude a montré que HeartBEiT était nettement plus performant pour des échantillons de taille réduite, et qu’il était plus facile à expliquer. Girish Nadkarni, MD, MPH, auteur principal de l’étude, Irene et Dr Arthur M. Fishberg Professor of Medicine at Icahn Mount Sinai, directeur de l’Institut Charles Bronfman de médecine personnalisée et chef du système, division de la médecine numérique et fondée 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, tel qu’une crise cardiaque, ce 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 du Mount Sinai a considérablement amélioré la manière et les possibilités par lesquelles les médecins peuvent interagir avec l’ECG. « Nous tenons à préciser que l’intelligence artificielle ne remplace en aucun cas le diagnostic des professionnels à partir des ECG », explique le Dr Nadkarni, « mais qu’elle augmente plutôt la capacité de ce moyen de détection des problèmes cardiaques et de surveillance de la santé du cœur d’une manière nouvelle, passionnante et convaincante ».
L’article est intitulé « Un transformateur de vision fondamental améliore les performances diagnostiques des électrocardiogrammes ».
Référence : « Un transformateur de vision fondamental améliore les performances diagnostiques des 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 du NIH, numéro de subvention R01HL155915, et par le National Center for Advancing Translational Sciences du NIH, numéro de subvention UL1TR004419.