Puente entre el conocimiento clínico y la IA: un marco de transformadores interpretable para el diagnóstico de ECG

Área de la Ciencia:

• Inteligencia artificial en medicina
• Cardiología
• Procesamiento de señales biomédicas

Sus antecedentes:

• Las enfermedades cardiovasculares representan un desafío significativo para la salud mundial.
• La interpretación automatizada de electrocardiogramas (ECG) precisa, eficiente e interpretable es crucial.
• Los sistemas existentes a menudo carecen de interpretabilidad a nivel médico.

Objetivo del estudio:

• Desarrollar MDOT (Momentum Distillation Oscillographic Transformer), un modelo de IA para la interpretación automatizada de ECG.
• Mejorar la precisión diagnóstica y la interpretabilidad clínica del análisis de ECG.
• Proporcionar una solución robusta para el soporte de decisiones clínicas y la implementación en el borde.

Principales métodos:

• Un modelo estudiante ligero entrenado mediante destilación de conocimiento de un modelo profesor informado por médicos.
• Integración de indicadores electrofisiológicos clave (frecuencia cardíaca, duración del QRS, segmento ST, intervalo QTc) como características auxiliares.
• Un novedoso módulo oscilográfico (OSC) que convierte ECG 1D en representaciones 2D para el análisis de transformadores.
• Utilización de mecanismos de atención para generar mapas de calor de interpretabilidad.

Principales resultados:

• MDOT logró una precisión de vanguardia en dos conjuntos de datos de referencia: 99,53% en MIT-BIH (8 clases) y 99,03% en Chapman (12 clases).
• El modelo demostró un alto rendimiento en divisiones estrictas de datos entre pacientes.
• Los mapas de calor basados en la atención resaltaron segmentos de ECG de relevancia diagnóstica, mejorando la interpretabilidad.

Conclusiones:

• MDOT ofrece un sistema de interpretación de ECG automatizado altamente preciso e interpretable.
• La integración del razonamiento clínico y el procesamiento de señales novedoso mejora las capacidades diagnósticas.
• MDOT presenta una herramienta prometedora para el soporte de decisiones clínicas y aplicaciones en el mundo real.