Растущее использование искусственного интеллекта (ИИ) для медицинских применений создает новые инструменты для врачей для обеспечения лучшего ухода за пациентами и улучшения результатов в отношении здоровья. Два недавних исследовательских проекта, возглавляемых студентами, обнаружили потенциальное новое использование методов моделирования искусственного интеллекта для здоровья сердца, повышая эффективность и точность диагнозов сердца.
В сотрудничестве между Колледжем остеопатической медицины (NYITCOM) и Колледжем инженерных и компьютерных наук предпринимателя и технологических инновационных инноваций (ETIC), студенты и преподаватели работали над дополнительными исследовательскими проектами для обнаружения аномалий электрокардиограммы (ECG) с использованием моделей ИИ. Две группы подошли к исследованию с разных точек зрения — одной из клинической точки зрения, а другая с точки зрения компьютерной инженерии.
Благодаря совместному соглашению Колледжа инженерных и вычислительных наук с католическим здравоохранением на Лонг -Айленде две исследовательские группы получили надежный набор анонимных данных ЭКГ. Две отдельные исследовательские группы из Нью-Йорка работали вместе, чтобы очистить и нормализовать данные, чтобы создать надежный набор данных результатов ЭКГ, которые они могли бы использовать для анализа, прогнозирования и принятия решений. Затем две команды использовали набор данных для обучения и тестирования нескольких моделей искусственного интеллекта для определения алгоритмов, которые дали наиболее точные и последовательные прогнозы.
Майкл Низич
«Модель ИИ может привести к выводу, который устанавливает результаты как ненормальные, а затем врач может вернуться и снова посмотреть на результат, если модель ИИ показывает что -то другое, чем они интерпретируют как медицинские работники», — говорит Майкл Низич, доктор философиидиректор Etic. «Нам всегда понадобится профессионально обученный врач, и эта модель может дать медицинскому специалисту еще один инструмент для использования с помощью результатов, вытекающих из усилий этих студентов».
Две исследовательские группы поделились одной и той же целью — разработать модель ИИ, чтобы помочь клиницистам определить, являются ли результаты ЭКГ нормальными, ненормальными или пограничными — но они подошли к задаче с различными приоритетами и стандартами оценки. Их преподаватели не были удивлены тем, что две исследовательские группы представили различные идеи, о которых модель ИИ работала лучше всего в наборе данных ЭКГ, который они использовали для исследования.
«Исследование, возглавляемое ETIC, больше было сосредоточено на технических и методологических аспектах-анализе данных, оптимизации алгоритмов и объяснении инженерных принципов, лежащих в основе моделей. Они приоритет на поиске модели с самой высокой точностью набора тестов»,-говорит Милан Тома, доктор философиидоцент кафедры клинических наук в NYITCOM. “In contrast, the NYITCOM-led study focused on whether high accuracy was also credible and clinically reliable. The clinical approach prioritized the practical application of the AI model in diagnosing ECG abnormalities, emphasizing clinical relevance, patient outcomes, and interpretability. Medical experts require this kind of evidence to trust that a model will perform well in real-world clinical situations, even if its initial accuracy is slightly lower than other models that don’t demonstrate such надежность. ”
Милан Тома делает выводы по моделям искусственного интеллекта
Две исследовательские группы из Нью -Йорка с исследователями из католического здравоохранения намеревались определить модели искусственного интеллекта, которые помогут врачам интерпретировать результаты ЭКГ с высокой точностью и последовательности. Католический набор данных ECG Health включал клинические особенности и ключевые измерения ЭКГ, но не включал данные временных рядов (непрерывная запись сигналов ЭКГ с течением времени). Используя модель искусственного интеллекта, объясняют команды, врачи могут решить проблему, с которой сталкиваются медицинские учреждения с ограниченными ресурсами (например, те, кто не имеет доступа к данным временных рядов), когда классифицируют результаты ЭКГ как нормальные, ненормальные или пограничные. Надежный инструмент ИИ может потенциально расширить диагностическую поддержку более широкому диапазону клинической среды и, в свою очередь, улучшить уход за пациентами в этих условиях.
В статье «Обнаружение аномалий электрокардиограммы с использованием машинного обучения по сводным данным и биометрическим функциям», ведущий автор Кеннетт Джеймс Баско (BS ’23, MS ’24) и другие Etic исследователи обучали несколько моделей искусственного интеллекта и пришли к выводу, что чрезвычайно рандомизированные деревья выполнялись лучше, чем другие алгоритмы машинного обучения, которые они обучали, с общим более высоким отзывом и точностью, чем другие алгоритмы.
Напротив, статья исследовательской группы NYITCOM «Клиническая применимость моделей машинного обучения для классификации бинарных и многоклассных электрокардиограмм» пришла к выводу, что алгоритм глубокого обучения, называемое сверточными нейронными сетями (CNN), достиг наилучшего баланса между обобщением и производительностью для классификации сигналов ECG как нормальные, анормальные или граничные.
Даниэль Насефвторой курс NYITCOM и ведущий автор этой статьи, подчеркивает важность обобщения результатов исследований. Другими словами, врач должен быть в состоянии поверить, что прогноз модели ИИ будет точным для любого пациента в любой больнице.
«Модель не полезна, если она не обобщена», — говорит Насеф. «Правильное прогнозирование заболевания у пациентов в данном наборе данных не обязательно означает, что оно будет применимо к внешним пациентам или данным».
Даниэль Насеф преимущества междисциплинарных исследований
Несмотря на то, что две группы пришли к различным выводам, о которых модель ИИ может быть лучше всего подходит для помощи врачам интерпретировать результаты ЭКГ, такие исследования имеют решающее значение для улучшения медицинской помощи и результатов пациентов.
«Эта разница подчеркивает, почему сотрудничество между инженерными и медицинскими экспертами так важно: инженерные группы часто сосредотачиваются на максимизации технических результатов, в то время как медицинские команды гарантируют, что результаты являются значимыми и безопасными для ухода за пациентами», — говорит Тома. «Только объединяя обе точки зрения, мы можем разработать инструменты искусственного интеллекта, которые являются высокопроизводительными и по-настоящему заслуживающими доверия в клинической практике».
«Это сотрудничество иллюстрирует преобразующую силу междисциплинарных исследований и инноваций, основанных на студентах»,-говорит Бабак Бехешти, доктор философиидекан Колледжа инженерных и компьютерных наук. «Это отражает нашу приверженность продвижению здравоохранения посредством совокупных сильных сторон инженерии, медицины и науки о данных. Это мощный пример того, как реальные партнерские отношения могут привести к значимым исследованиям и эффективным публикациям».
Кеннетт Джеймс Баско
Междисциплинарное сотрудничество было открывающим глаза для студентов, которые научились просматривать задачу и потенциальное решение с разных точек зрения.
«Когда мне дают набор данных, я вижу только цифры. При изучении машинного обучения мы обучаем модель для обнаружения шаблонов в этих цифрах», — говорит Баско, который получил обе свои степени в области компьютерных наук. «Но данные ЭКГ касаются физического здоровья и постановки диагнозов, поэтому вы должны поставить больше внимания на прогнозирование этих моделей. Мне пришлось улучшить модель таким образом, чтобы не поставить под угрозу здоровье пациента».
После сотрудничества с клиническими исследователями Баско хочет продолжить карьеру в области компьютерных наук в медицинской обстановке.
«Сейчас я подаю заявку на работу в больницах, а не в технологических компаниях, потому что помощь людям со своим здоровьем полезно», — говорит Баско. «Это исследование открыло для меня больше возможностей для карьеры. Я должен выставить свое имя в качестве исследователя и внести свой вклад в науку».
Насеф стремится продолжать проводить исследования в качестве студента -медика и во время его проживания в будущем.
«Доктор Тома доверяет вам большую ответственность, что пугает, но также расширяет возможности», — говорит Насеф. «Я рассматриваю каждый исследовательский проект как возможность расти и лучше использовать машинное обучение в клинических условиях».
Низич подчеркивает, что такие виды междисциплинарных исследований приносят пользу не только студентам в отдельности, но и в области медицинских исследований ИИ в целом.
«Расширенные исследования ИИ могут стоить миллионы долларов и стать чрезмерными затратами», — говорит Низич. «В исследовательской среде высших исследований у нас есть студенты, которые хотят работать над реальными исследовательскими проектами. У нас есть возможность сделать новое открытие и публиковать его для использования мира. Междисциплинарная работа этих проектов уникальна, и она создает резюме наших студентов и помогает им на рынке труда».
Эшли Феста
