Modely AI zlepšují přesnost diagnostiky onemocnění koronárních tepen

Modely AI zlepšují přesnost diagnostiky onemocnění koronárních tepen

Několik nedávných objevů ukazuje, že přesnost diagnostiky onemocnění koronárních tepen a předpovídání rizika pro pacienty se zlepšuje pomocí modelů umělé inteligence (AI) vyvinutých vědci z Divize umělé inteligence v medicíně v Cedars-Sinai.

Tyto pokroky, vedené Piotrem Slomkou, PhD,Ředitel pro inovace v zobrazování v Cedars-Sinai a vědecký pracovník v divizi umělé inteligence v medicíně a Smidt Heart Institute usnadňují detekci a diagnostiku jedné z nejběžnějších a smrtelných srdečních chorob.

Onemocnění koronárních tepen postihuje tepny, které přivádějí krev do srdečního svalu. Pokud se neléčí, může vést k infarktu nebo jiným komplikacím, jako jsou srdeční arytmie nebo srdeční selhání.

Tento stav, který postihuje přibližně 16,3 milionů Američanů ve věku 20 let a starších, je běžně diagnostikován pomocí jednofotonové emisní počítačové tomografie (SPECT) a počítačové tomografie (CT). Obrazy vytvořené skenováním však nejsou vždy snadno čitelné.

„Nadále ukazujeme, že umělá inteligence může zlepšit kvalitu snímků a odhalit více informací, což vede k přesnějším diagnózám onemocnění,“ řekl Slomka, který je také profesorem medicíny a kardiologie a hlavním autorem tří nedávno publikovaných studií využívajících umělou inteligenci ke zlepšení zobrazování srdce.

Použití umělé inteligence ke zlepšení zobrazování srdce

První studie, publikovaná v Journal of Nuclear Medicine, využívá technologii AI pro zobrazování srdce, což pomáhá zlepšit diagnostickou přesnost zobrazování SPECT pro onemocnění koronárních tepen prostřednictvím pokročilých korekcí obrazu.

Korekce útlumu je důležitá při zobrazování SPECT, pomáhá redukovat artefakty v srdečních obrazech a dělá je snadněji čitelnými a přesnějšími. Vyžaduje však další CT sken a drahé hybridní SPECT/CT přístroje, což jsou v podstatě dva skenery v jednom.

I když bylo prokázáno, že korekce útlumu CT zlepšuje diagnostiku onemocnění koronárních tepen, v současnosti se provádí pouze na menšině skenů kvůli dodatečné době skenování, radiaci a omezené dostupnosti této drahé technologie.

K překonání těchto překážek vyvinul Slomka a jeho tým model hlubokého učení nazvaný DeepAC pro generování opravených snímků SPECT bez potřeby drahých hybridních skenerů. Tyto obrázky jsou generovány technikami umělé inteligence podobnými těm, které se používají ke generování „hluboce falešných“ videí a mohou simulovat vysoce kvalitní obrázky získané z hybridních SPECT/CT skenerů.

Tým porovnal diagnostickou přesnost onemocnění koronárních tepen s nekorigovanými snímky SPECT, které se dnes používají na většině míst, pokročilými hybridními snímky SPECT/CT a novými snímky s korekcí AI v neviditelných datech z center, která nebyla nikdy použita při tréninku DeepAC.

Zjistili, že umělá inteligence vytvářela obrázky, které byly téměř stejné kvality a umožňovaly podobnou diagnostickou přesnost jako ty získané pomocí dražších skenerů.

Tento model umělé inteligence byl schopen generovat snímky DeepAC ve zlomcích sekundy na standardním počítačovém softwaru a mohl být snadno implementován do klinických pracovních postupů jako automatizovaný krok předběžného zpracování.

Piotr Slomka, PhD,Ředitel Imaging Innovation, Cedars-Sinai

Predikce závažných nežádoucích srdečních příhod

Ve druhé studii publikované v Journal of American College of Cardiology: Cardiovascular Imaging tým ukázal, že AI s hlubokým učením umožňuje předvídat závažné nepříznivé srdeční příhody, jako je smrt a srdeční infarkt, přímo ze snímků SPECT.

Vyšetřovatelé trénovali model AI pomocí velké nadnárodní databáze, která zahrnovala pět různých míst s více než 20 000 skeny pacientů. Obsahoval obrázky zobrazující srdeční perfuzi a pohyb každého pacienta.

Model AI poskytuje lékařům vizuální vysvětlení a zvýrazní snímky s oblastmi, které přispívají k vysokému riziku nežádoucích příhod.

Tým poté testoval model AI na dvou různých místech s více než 9 000 skeny. Zjistili, že model hlubokého učení předpovídá riziko pacienta přesněji než softwarové programy, které se v současnosti na klinice používají.

„V první studii jsme byli schopni ukázat, že důležité korekce obrazu lze provádět pomocí AI bez drahých skenerů,“ říká Slomka. "Za druhé, ukazujeme, že existující snímky lze lépe využít - pomocí snímků předvídat pacientovo riziko srdečního infarktu nebo smrti a zvýraznit srdeční rysy, které toto riziko naznačují - k lepší informovanosti lékařů o ischemické chorobě srdeční."

„Tyto výsledky představují základní důkaz toho, jak umělá inteligence může zlepšit klinickou diagnostiku,“ řekl Sumeet Chugh, MD, ředitel divize umělé inteligence v medicíně. "Vylepšení zobrazování SPECT založená na umělé inteligenci mají potenciál zlepšit přesnost diagnostiky onemocnění koronárních tepen, přičemž jsou prováděna výrazně rychleji a levněji než současné standardy."

Snížení zkreslení v modelech AI

Třetí studie publikovaná v European Journal of Nuclear Medicine and Molecular Imaging popisuje, jak lze systém umělé inteligence trénovat, aby dobře fungoval ve všech použitelných populacích – nejen v populaci, pro kterou byl systém trénován.

Některé systémy AI jsou trénovány na vysoce rizikových populacích pacientů, což může způsobit, že systémy nadhodnocují pravděpodobnost onemocnění. Aby bylo zajištěno, že model AI bude fungovat přesně pro všechny pacienty a sníží zkreslení, Slomka a jeho tým trénovali systém AI se simulovanými variacemi pacientů. Tento proces, nazývaný augmentace dat, pomáhá lépe odrážet kombinaci pacientů, u kterých se očekává, že podstoupí zobrazovací testy.

Zjistili, že modely trénované s vyváženým mixem pacientů přesněji předpovídaly pravděpodobnost onemocnění koronárních tepen u žen a pacientů s nízkým rizikem, což potenciálně vedlo k méně invazivnímu testování a přesnější diagnóze u žen.

Modely také vedly k méně falešně pozitivním výsledkům, což naznačuje, že systém může být schopen snížit počet testů, které pacient podstoupí, aby vyloučil onemocnění.

„Výsledky naznačují, že zlepšení tréninkových dat je zásadní pro zajištění toho, aby předpovědi umělé inteligence lépe odrážely populaci, na kterou budou v budoucnu aplikovány,“ řekl Slomka.

Výzkumníci nyní hodnotí tyto nové přístupy AI v Cedars-Sinai a zkoumají, jak by mohly být integrovány do klinického softwaru a použity ve standardní péči o pacienty.

Výzkum byl částečně podporován Národním institutem srdce, plic a krve.

Zdroj:

Cedry Sinaj

Odkaz:

Shanbhag, AD, a kol. (2022) Korekce útlumu založená na hlubokém učení zlepšuje diagnostickou přesnost srdečního SPECT. Journal of Nuclear Medicine. doi.org/10.2967/jnumed.122.264429.

.