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

Het menselijk hart is een onvermoeibare pomp, maar het ritme ervan is ook een complexe elektrische code. Wanneer een blokkade de bloedtoevoer naar de hartspier afsnijdt, een conditie die bekend staat als een myocardinfarct, veranderen de elektrische signalen die over de borstkas reizen op subtiele, kritieke wijzen. Artsen vertrouwen al lang op het elektrocardiogram, of ECG, om deze signalen te lezen. Deze test gebruikt plakstrips die op de huid worden geplaatst om de elektrische activiteit van het hart vast te leggen als een reeks golvende lijnen op een scherm. Decennialang was de standaardmethode voor het diagnosticeren van een hartaanval het bekijken van deze lijnen door een arts, die de vormen en timing interpreteert om problemen te ontdekken. Hoewel deze visuele inspectie de gouden standaard is, is het traag, foutgevoelig en heeft het moeite om de enorme hoeveelheid gegevens die in moderne ziekenhuizen wordt gegenereerd bij te houden. Naarmig de behoefte aan snellere, betrouwbaardere diagnoses groeit, hebben wetenschappers zich tot computers gekeerd om te helpen de taal van het hart te lezen, in de hoop systemen te bouwen die een hartaanval kunnen opsporen met de snelheid van een machine en het inzicht van een expert.

In een recente studie hebben onderzoekers van de Bengbu Medical University en de Tianjin University in China een nieuw computermodel ontwikkeld dat ontworpen is om myocardinfarct met opmerkelijke precisie te detecteren. Ze benaderden het probleem door een systeem te creëren dat de manier nabootst waarop geavanceerde kunstmatige intelligentiemodellen informatie verwerken, maar met een specifieke draai om het sneller en efficiënter te maken. De kern van hun innovatie is een nieuwe manier waarop de computer naar het ECG-signaal "kijkt". In plaats van het signaal alleen in kleine, geïsoleerde stukjes te scannen zoals een traditionele camera, gebruikt hun systeem een techniek genaamd positioneel-bewuste circulaire convolutie. Stel je het ECG-signaal voor als een lange strook papier; deze methode stelt de computer in staat om de hele strook in één keer te zien door het einde van de strook conceptueel terug te verbinden met het begin, waardoor een continue lus ontstaat. Dit stelt het model in staat om te begrijpen hoe een signaal op één moment zich verhoudt tot een signaal ver weg in de tijd, waardoor de volledige context van de hartslag wordt gevangen zonder de details te verliezen.

Om dit brede overzicht te verfijnen, voegden de onderzoekers een tweede laag intelligentie toe die zich richt op het specifieke belang van verschillende delen van het signaal. Ze combineerden dit met een bidirectionele gate recurrent unit, een type geheugensysteem dat de elektrische activiteit van het hart zowel voorwaarts als achterwaarts in de tijd leest. Deze tweerichtingslezing stelt het model in staat om het verhaal van een hartslag te begrijpen, niet alleen zoals het gebeurt, maar ook in relatie tot wat eraan voorafging en wat er volgt. Door deze twee benaderingen in elkaar te weven, creëerde het team een framework dat met hoge nauwkeurigheid kan onderscheiden tussen een gezond hartritme en de chaotische patronen van een hartaanval. Ze testten hun model op een grote database van echte patiëntopnames, waarbij ze specifiek keken naar gegevens van de Physikalisch-Technische Bundesanstalt, een belangrijke opslagplaats van medische hartgegevens.

De resultaten van hun testen waren opmerkelijk. Het nieuwe model identificeerde hartaanvallen correct in 99,5% van de gevallen die het analyseerde en identificeerde gezonde hartritmes correct in 99,4% van de gevallen. Deze prestatie overtrof andere leidende strategieën voor kunstmatige intelligentie die de onderzoekers zij aan zij met hen testten, inclusief modellen gebaseerd op standaard deep learning en transformer-netwerken. Naast de nauwkeurigheid bewees het nieuwe systeem ook aanzienlijk efficiënter te zijn. Het vereiste veel minder computationele middelen en minder rekenkracht dan zijn concurrenten, wat het een veel praktischer hulpmiddel maakt voor gebruik in de echte wereld, inclusief op kleinere, mobiele apparaten waar het vermogen beperkt is. De onderzoekers leverden ook een wiskundig bewijs om aan te tonen dat het leerproces van het model stabiel is en niet grillig zal worden in de loop van de tijd, wat garandeert dat de hoge prestaties betrouwbaar zijn.

Dit werk vormt een belangrijke stap vooruit in het samenvoegen van de sterke punten van verschillende soorten kunstmatige intelligentie. Door het vermogen om het grote plaatje te zien te combineren met de precisie van lokale details, hebben de onderzoekers een hulpmiddel gecreëerd dat zowel krachtig als efficiënt is. Hoewel de studie werd uitgevoerd met gegevens uit een enkele bron en specifiek gericht was op hartaanvallen, suggereert het succes van deze aanpak een veelbelovend pad voor toekomstige medische diagnostiek. Het team erkent dat verdere tests op diverse patiëntengroepen en verschillende soorten hartcondities nodig zijn, maar hun huidige bevindingen demonstreren dat het mogelijk is om een systeem te bouwen dat de elektrische code van het hart leest met een niveau van helderheid en snelheid dat op een dag levens kan redden door hartaanvallen eerder dan ooit te vangen.