AI моделите подобряват точността на диагностицирането на коронарна артериална болест

AI моделите подобряват точността на диагностицирането на коронарна артериална болест

Няколко скорошни открития показват, че точността на диагностицирането на коронарна артериална болест и прогнозирането на риска за пациентите се подобрява с помощта на модели на изкуствен интелект (AI), разработени от учени от отдела за изкуствен интелект в медицината в Cedars-Sinai.

Тези постижения, водени от д-р Пьотр Сломка,Директор на иновациите в изображенията в Cedars-Sinai и учен изследовател в отдела за изкуствен интелект в медицината и Smidt Heart Institute, улесняват откриването и диагностицирането на едно от най-честите и смъртоносни сърдечни заболявания.

Коронарната артериална болест засяга артериите, които доставят кръв към сърдечния мускул. Ако не се лекува, може да доведе до инфаркт или други усложнения като сърдечни аритмии или сърдечна недостатъчност.

Състоянието, което засяга приблизително 16,3 милиона американци на възраст 20 и повече години, обикновено се диагностицира с помощта на компютърна томография с еднофотонна емисия (SPECT) и компютърна томография (CT). Въпреки това, изображенията, получени чрез сканиране, не винаги са лесни за четене.

„Продължаваме да показваме, че изкуственият интелект може да подобри качеството на изображенията и да разкрие повече информация, което води до по-точни диагнози на заболяването“, каза Сломка, който също е професор по медицина и кардиология и старши автор на три наскоро публикувани проучвания, използващи изкуствен интелект за подобряване на сърдечните изображения.

Използване на AI за подобряване на сърдечния образ

Първото проучване, публикувано в Journal of Nuclear Medicine, използва AI технология за сърдечни изображения, като помага за подобряване на диагностичната точност на SPECT изображения за коронарна артериална болест чрез усъвършенствани корекции на изображението.

Корекцията на затихването е важна при SPECT изображенията, като помага за намаляване на артефактите в сърдечните изображения и ги прави по-лесни за четене и по-точни. Това обаче изисква допълнително CT сканиране и скъпи хибридни SPECT/CT машини, които по същество са два скенера в един.

Въпреки че е доказано, че корекцията на атенюацията при КТ подобрява диагностиката на коронарната артериална болест, в момента тя се извършва само при малка част от сканиранията поради допълнителното време за сканиране, радиацията и ограничената наличност на тази скъпа технология.

За да преодолеят тези препятствия, Slomka и неговият екип разработиха модел за дълбоко обучение, наречен DeepAC, за генериране на коригирани SPECT изображения без необходимост от скъпи хибридни скенери. Тези изображения се генерират от AI техники, подобни на тези, използвани за генериране на „дълбоко фалшиви“ видеоклипове и могат да симулират висококачествени изображения, получени от хибридни SPECT/CT скенери.

Екипът сравни диагностичната точност на коронарната артериална болест с некоригирани SPECT изображения, използвани на повечето места днес, усъвършенствани хибридни SPECT/CT изображения и нови изображения, коригирани с изкуствен интелект в невиждани данни от центрове, които никога не са били използвани в обучението на DeepAC.

Те откриха, че изкуственият интелект създава изображения, които са с почти същото качество и позволяват подобна диагностична точност като тези, получени с по-скъпи скенери.

Този AI модел успя да генерира изображения на DeepAC за части от секундата на стандартен компютърен софтуер и може лесно да бъде внедрен в клинични работни процеси като автоматизирана стъпка за предварителна обработка.

Пьотр Сломка, д-р,Директор за иновации в изображенията, Cedars-Sinai

Прогноза за големи нежелани сърдечни събития

Във второто проучване, публикувано в Journal of American College of Cardiology: Cardiovascular Imaging, екипът показа, че изкуственият интелект за задълбочено обучение прави възможно прогнозирането на големи неблагоприятни сърдечни събития като смърт и инфаркт директно от SPECT изображения.

Изследователите са обучили AI модела, използвайки голяма мултинационална база данни, която включва пет различни места с над 20 000 сканирания на пациенти. Той съдържа изображения, изобразяващи сърдечна перфузия и движение за всеки пациент.

AI ​​моделът предоставя визуални обяснения за лекарите и подчертава изображенията с регионите, които допринасят за висок риск от нежелани събития.

След това екипът тества AI модела на две различни места с над 9000 сканирания. Те откриха, че моделът на дълбоко обучение прогнозира риска за пациента по-точно от софтуерните програми, използвани в момента в клиниката.

„В първото проучване успяхме да покажем, че важни корекции на изображения могат да бъдат извършени с AI без скъпи скенери“, казва Сломка. „Второ, ние показваме, че съществуващите изображения могат да бъдат използвани по-добре – използвайки изображения за прогнозиране на риска от инфаркт или смърт на пациента и подчертавайки сърдечните характеристики, които показват този риск – за по-добро информиране на клиницистите за коронарна болест на сърцето.“

„Тези резултати представляват доказателство за принципа за това как AI може да подобри клиничната диагностика“, каза Sumeet Chugh, MD, директор на отдела за изкуствен интелект в медицината. „Задвижваните от AI подобрения на SPECT изображенията имат потенциала да подобрят точността на диагностицирането на коронарна артериална болест, като същевременно се извършват значително по-бързо и по-евтино от настоящите стандарти.“

Намаляване на пристрастията в AI модели

Третото проучване, публикувано в European Journal of Nuclear Medicine and Molecular Imaging, описва как една AI система може да бъде обучена да работи добре във всички приложими популации - не само за популацията, за която системата е била обучена.

Някои системи с изкуствен интелект са обучени върху популации пациенти с висок риск, което може да накара системите да надценят вероятността от заболяване. За да се гарантира, че AI моделът работи точно за всички пациенти и намалява отклоненията, Slomka и неговият екип обучиха AI системата със симулирани вариации на пациенти. Този процес, наречен увеличаване на данните, помага за по-доброто отразяване на комбинацията от пациенти, за които се очаква да бъдат подложени на образни тестове.

Те установиха, че моделите, обучени с балансирана комбинация от пациенти, прогнозират по-точно вероятността от коронарна артериална болест при жени и пациенти с нисък риск, което потенциално води до по-малко инвазивно изследване и по-точна диагноза при жените.

Моделите също доведоха до по-малко фалшиви положителни резултати, което предполага, че системата може да е в състояние да намали броя на тестовете, на които пациентът се подлага, за да изключи заболяването.

„Резултатите предполагат, че подобряването на данните за обучението е от решаващо значение за гарантиране, че AI прогнозите отразяват по-добре населението, към което се прилагат в бъдеще“, каза Сломка.

Изследователите сега оценяват тези нови подходи на ИИ в Cedars-Sinai и проучват как те биха могли да бъдат интегрирани в клиничен софтуер и използвани при стандартни грижи за пациенти.

Изследването е подкрепено отчасти от Националния институт за сърцето, белите дробове и кръвта.

източник:

Сидърс Синай

Справка:

Shanbhag, AD, et al. (2022) Базираната на дълбоко обучение корекция на затихването подобрява диагностичната точност на сърдечния SPECT. Вестник по ядрена медицина. doi.org/10.2967/jnumed.122.264429.

.