A MetaFormer framework with position-aware circular convolution for myocardial infarction detection

Das menschliche Herz ist eine unermüdliche Pumpe, doch sein Rhythmus ist auch ein komplexer elektrischer Code. Wenn eine Blockade den Blutfluss zum Herzmuskel unterbricht, ein Zustand, der als Myokardinfarkt bekannt ist, verändern sich die elektrischen Signale, die über den Brustkorb wandern, auf subtile, kritische Weise. Ärzte verlassen sich seit langem auf das Elektrokardiogramm, oder EKG, um diese Signale zu lesen. Dieser Test verwendet Klebepads, die auf die Haut geklebt werden, um die elektrische Aktivität des Herzens als eine Serie von Wellenlinien auf einem Bildschirm aufzuzeichnen. Jahrzehntelang war die Standardmethode zur Diagnose eines Herzinfarkts der Blick eines Arztes auf diese Linien, wobei er die Formen und Zeitabstände interpretiert, um Probleme zu erkennen. Obwohl diese visuelle Inspektion der Goldstandard ist, ist sie langsam, anfällig für menschliche Fehler und hat Schwierigkeiten, mit der schieren Menge an Daten Schritt zu halten, die in modernen Krankenhäusern generiert werden. Da der Bedarf an schnelleren, zuverlässigeren Diagnosen wächst, haben sich Wissenschaftler an Computer gewandt, um das Lesen der Sprache des Herzens zu unterstützen, in der Hoffnung, Systeme zu entwickeln, die einen Herzinfarkt mit der Geschwindigkeit einer Maschine und der Einsicht eines Experten erkennen können.

In einer kürzlich durchgeführten Studie haben Forscher der Bengbu Medical University und der Tianjin University in China ein neues Computermodell entwickelt, das darauf ausgelegt ist, Myokardinfarkte mit bemerkenswerter Präzision zu erkennen. Sie gingen das Problem an, indem sie ein System schufen, das die Art und Weise imitiert, wie fortschrittliche Modelle der künstlichen Intelligenz Informationen verarbeiten, jedoch mit einer speziellen Wendung, um es schneller und effizienter zu machen. Der Kern ihrer Innovation ist eine neue Art und Weise, wie der Computer das EKG-Signal „betrachtet“. Anstatt das Signal lediglich in kleinen, isolierten Stücken zu scannen, wie es eine herkömmliche Kamera tun würde, nutzt ihr System eine Technik namens positionsbewusste kreisförmige Faltung (position-aware circular convolution). Stellen Sie sich das EKG-Signal wie einen langen Papierstreifen vor; diese Methode ermöglicht es dem Computer, den gesamten Streifen auf einmal zu sehen, indem er konzeptionell das Ende des Streifens wieder mit dem Anfang verbindet und so eine kontinuierliche Schleife erzeugt. Dies ermöglicht es dem Modell, zu verstehen, wie sich ein Signal in einem bestimmten Moment zu einem Signal bezieht, das zeitlich weit entfernt liegt, wodurch der volle Kontext des Herzschlags erfasst wird, ohne sich in den Details zu verlieren.

Um diese breite Sichtweise zu verfeinern, fügten die Forscher eine zweite Ebene der Intelligenz hinzu, die sich auf die spezifische Bedeutung verschiedener Teile des Signals konzentriert. Sie kombinierten dies mit einer bidirektionalen Gate Recurrent Unit, einem Typ von Gedächtnissystem, das die elektrische Aktivität des Herzens sowohl vorwärts als auch rückwärts in der Zeit liest. Dieses zweirichtige Lesen ermöglicht es dem Modell, die Geschichte eines Herzschlags nicht nur so zu verstehen, wie sie geschieht, sondern auch in Relation zu dem, was zuvor geschah und was danach folgt. Durch das Verweben dieser beiden Ansätze schuf das Team ein Framework, das in der Lage ist, zwischen einem gesunden Herzrhythmus und den chaotischen Mustern eines Herzinfarkts mit hoher Genauigkeit zu unterscheiden. Sie testeten ihr Modell an einer großen Datenbank realer Patientenaufzeichnungen, wobei sie sich speziell auf Daten der Physikalisch-Technische Bundesanstalt stützten, einem bedeutenden Repository für medizinische Herzdaten.

Die Ergebnisse ihrer Tests waren beeindruckend. Das neue Modell identifizierte Herzinfarkte in 99,5 % der analysierten Fälle korrekt und identifizierte gesunde Herzrhythmen in 99,4 % der Fälle korrekt. Diese Leistung übertraf andere führende Strategien der künstlichen Intelligenz, die die Forscher im direkten Vergleich getestet hatten, einschließlich Modellen, die auf Standard-Deep-Learning und Transformer-Netzwerken basieren. Über die Genauigkeit hinaus erwies sich das neue System als signifikant effizienter. Es benötigte weitaus weniger Rechenressourcen und weniger Prozessorleistung als seine Konkurrenten, was es zu einem viel praktischeren Werkzeug für den Einsatz in realen Umgebungen macht, einschließlich kleinerer, mobiler Geräte, bei denen die Leistung begrenzt ist. Die Forscher lieferten zudem einen mathematischen Beweis, um zu zeigen, dass der Lernprozess des Modells stabil ist und im Laufe der Zeit nicht erratisch wird, was sicherstellt, dass seine hohe Leistung zuverlässig bleibt.

Diese Arbeit stellt einen bedeutenden Schritt nach vorn bei der Verschmelzung der Stärken verschiedener Arten der künstlichen Intelligenz dar. Durch die Kombination der Fähigkeit, das große Ganze zu sehen, mit der Präzision lokaler Details haben die Forscher ein Werkzeug geschaffen, das sowohl leistungsstark als auch effizient ist. Obwohl die Studie mit Daten aus einer einzigen Quelle durchgeführt wurde und sich spezifisch auf Herzinfarkte konzentrierte, deutet der Erfolg dieses Ansatzes auf einen vielversprechenden Weg für die zukünftige medizinische Diagnostik hin. Das Team räumt ein, dass weitere Tests an diversen Patientengruppen und verschiedenen Arten von Herzerkrankungen erforderlich sind, aber ihre derzeitigen Ergebnisse zeigen, dass es möglich ist, ein System zu bauen, das den elektrischen Code des Herzens mit einer Klarheit und Geschwindigkeit liest, die eines Tages Leben retten könnte, indem es Herzinfarkte früher als je zuvor erkennt.