Model AI ECG-CLIP wykrywa choroby serca na podstawie kilkunastu przykładów EKG

Zespół ze Scripps Research Institute w Kalifornii opublikował model sztucznej inteligencji, który uczy się rozpoznawać choroby serca na podstawie zaledwie kilkunastu potwierdzonych zapisów elektrokardiogramu danej choroby. To radykalne odejście od dotychczasowego podejścia, w którym modele diagnostyczne AI potrzebowały tysięcy oznaczonych przykładów, by osiągnąć użyteczną skuteczność.

Jak działa model

ECG-CLIP to tak zwany model bazowy (foundation model) oparty na uczeniu kontrastowym, podobnym do techniki wykorzystywanej w modelach łączących obraz i tekst. Podczas wstępnego treningu system zestawiał zapisy EKG z odpowiadającymi im notatkami klinicznymi lekarzy, ucząc się ogólnych zależności między sygnałem elektrycznym serca a stanem zdrowia pacjenta, zanim jeszcze poznał konkretne jednostki chorobowe.

Dzięki temu, gdy naukowcy chcieli nauczyć model rozpoznawania konkretnej, rzadszej choroby, nie musieli dostarczać mu tysięcy przykładów. Wystarczyło pokazać systemowi kilkanaście potwierdzonych przypadków, a model potrafił uogólnić tę wiedzę na nowe, niewidziane wcześniej zapisy EKG.

Nasz algorytm potrzebuje zaledwie tuzina potwierdzeń EKG choroby, aby ją wykryć - Giorgio Quer, Scripps Research

Jest to podobne do uczenia się klinicysty: nie z miliona przykładów, ale ze zrozumienia ogólnej fizjologii - Giorgio Quer, senior autor badania

Co potrafi wykryć

Badacze przetestowali ECG-CLIP na trzech typach zadań. Pierwszym była detekcja chorób już obecnych u pacjenta, w tym zawału mięśnia sercowego, amyloidozy serca i kardiomiopatii przerostowej. W każdym z tych zadań model, mierzony wskaźnikiem AUC, osiągał wyniki lepsze lub porównywalne z systemami trenowanymi na znacznie większej liczbie oznaczonych danych.

Drugim obszarem było przewidywanie zdarzeń przyszłych na podstawie normalnego, pozornie zdrowego zapisu EKG, w tym ryzyka wystąpienia migotania przedsionków, przeżycia w ciągu kolejnych 30 dni, a także rozwoju cukrzycy typu 2 i przewlekłej choroby nerek w perspektywie trzech lat. Trzecim testem była skuteczność modelu przy analizie danych z jednego odprowadzenia EKG zamiast standardowych dwunastu, co ma znaczenie dla urządzeń noszonych i placówek z ograniczonym dostępem do sprzętu.

Dlaczego mniej danych to przełom

Największą barierą w budowie systemów AI do diagnostyki medycznej nie jest brak mocy obliczeniowej, tylko brak dużych, dokładnie oznaczonych zbiorów danych. Oznaczanie zapisów EKG wymaga czasu wykwalifikowanych kardiologów, a dla rzadkich chorób zebranie tysięcy potwierdzonych przypadków bywa praktycznie niemożliwe.

Redukcja zapotrzebowania na dane treningowe o 91 procent oznacza, że podobne modele mogłyby powstawać dla chorób rzadkich, dla których dotąd brakowało wystarczająco dużych zbiorów do trenowania klasycznych sieci neuronowych. To otwiera drogę do szybszego wdrażania narzędzi diagnostycznych w mniejszych szpitalach i ośrodkach badawczych, które nie dysponują milionowymi bazami danych pacjentów.

Co dalej

Zespół Giorgio Quera zapowiedział prospektywne badania kliniczne, które mają zweryfikować skuteczność ECG-CLIP w warunkach rzeczywistej praktyki medycznej, a nie tylko na historycznych danych. Naukowcy planują też testy kompatybilności modelu z urządzeniami noszonymi, takimi jak smartwatche i przenośne monitory EKG, pod kątem ciągłego, zdalnego monitorowania pacjentów.

Dla polskich placówek medycznych, które od miesięcy testują różne narzędzia AI wspierające kardiologię, model tego typu mógłby oznaczać tańsze wdrożenia. Mniejsze zapotrzebowanie na dane treningowe obniża koszt budowy lokalnych, dostosowanych do populacji systemów diagnostycznych, bez konieczności pozyskiwania milionów zapisów EKG.