HeartBEiT je model umjetne inteligencije koji poboljšava tačnost i detalje EKG dijagnoza, čak i kod rijetkih stanja za koja postoji tek ograničena količina medicinskih podataka. On EKG tumači kao jezik i nadmašuje tradicionalne konvolucijske neuronske mreže (CNN-ove), ističući određena područja EKG-a odgovorna za srčana oboljenja.
Ovaj inovativni UI model za analizu elektrokardiograma koji omogućuje tumačenje EKG-a kao jezika osmislili su eksperti Laboratorija proširene inteligencije u medicini i znanosti na Icahnovoj medicinskoj školi Univerziteta Mount Sinai. Ovaj pristup, opisan u online izdanju časopisa npj Digital Medicine, dokazano može poboljšati tačnost i učinkovitost dijagnoza povezanih s EKG-om, posebno za srčana stanja kod kojih su dostupni ograničeni podaci za obuku.
Istraživanja su pokazala kako HeartBEiT dosljedno nadmašuje konvolucijske neuronske mreže koje se koriste kao algoritmi strojnog učenja za zadatke računalnog vida. Takvi CNN-ovi često su unaprijed uvježbani na javno dostupnim slikama objekata iz stvarnog svijeta. A budući da je HeartBEiT specijaliziran za EKG, može raditi jednako dobro, ako ne i bolje od ovih metoda koristeći tek desetinu podataka, kažu istraživači koji koriste generativne UI sisteme kao što je ChatGPT, izgrađene na modelima dubokog učenja obučenima na ogromnim skupovima podataka.

HeartBEiT koristi srodni model generiranja slike za stvaranje diskretnih prikaza malih dijelova EKG-a, omogućujući analizu EKG-a kao jezika.
HeartBEiT je uvježban na 8,5 miliona EKG-a od 2,1 miliona pacijenata prikupljenih tokom četiri desetljeća iz četiri bolnice unutar zdravstvenog sistema Mount Sinai, prenosi Bug.hr. Testiranja modela u tri kardiološka dijagnostička područja pokazala su da HeartBEiT ima znatno bolju izvedbu pri manjim veličinama uzorka i da bolje ‘objašnjava’ prikupljene informacije.