AI-modeller forbedrer nøjagtigheden af ​​diagnosticering af koronararteriesygdom

AI-modeller forbedrer nøjagtigheden af ​​diagnosticering af koronararteriesygdom

Adskillige nylige opdagelser viser, at nøjagtigheden af ​​diagnosticering af koronararteriesygdom og forudsigelse af patientrisiko bliver forbedret ved hjælp af kunstig intelligens (AI) modeller udviklet af videnskabsmænd i afdelingen for kunstig intelligens i medicin i Cedars-Sinai.

Disse fremskridt, ledet af Piotr Slomka, PhD,Director of Innovation in Imaging hos Cedars-Sinai og forsker i afdelingen for kunstig intelligens i medicin og Smidt Heart Institute, letter påvisning og diagnosticering af en af ​​de mest almindelige og dødelige hjertesygdomme.

Koronararteriesygdom påvirker arterierne, der leverer blod til hjertemusklen. Hvis det ikke behandles, kan det føre til et hjerteanfald eller andre komplikationer såsom hjertearytmier eller hjertesvigt.

Tilstanden, som påvirker cirka 16,3 millioner amerikanere i alderen 20 og ældre, diagnosticeres almindeligvis ved hjælp af enkelt fotonemission computertomografi (SPECT) og computertomografi (CT). De billeder, der produceres ved scanning, er dog ikke altid nemme at læse.

"Vi fortsætter med at vise, at AI kan forbedre kvaliteten af ​​billeder og afsløre mere information, hvilket fører til mere præcise sygdomsdiagnoser," sagde Slomka, som også er professor i medicin og kardiologi og seniorforfatter til tre nyligt offentliggjorte undersøgelser, der bruger AI til at forbedre hjertebilleddannelse.

Brug af AI til at forbedre hjertebilleddannelse

Den første undersøgelse, offentliggjort i Journal of Nuclear Medicine, bruger AI-teknologi til hjertebilleddannelse, der hjælper med at forbedre den diagnostiske nøjagtighed af SPECT-billeddannelse til koronararteriesygdom gennem avancerede billedkorrektioner.

Dæmpningskorrektion er vigtig i SPECT-billeddannelse, der hjælper med at reducere artefakter i hjertebilleder og gør dem nemmere at læse og mere nøjagtige. Det kræver dog en ekstra CT-scanning og dyre hybride SPECT/CT-maskiner, som i det væsentlige er to scannere i én.

Mens CT-dæmpningskorrektion har vist sig at forbedre diagnosen af ​​koronararteriesygdom, udføres den i øjeblikket kun på et mindretal af scanninger på grund af yderligere scanningstid, stråling og begrænset tilgængelighed af denne dyre teknologi.

For at overvinde disse forhindringer udviklede Slomka og hans team en dyb læringsmodel kaldet DeepAC til at generere korrigerede SPECT-billeder uden behov for dyre hybridscannere. Disse billeder er genereret af AI-teknikker, der ligner dem, der bruges til at generere "dybe falske" videoer og kan simulere billeder af høj kvalitet opnået fra hybrid SPECT/CT-scannere.

Holdet sammenlignede den diagnostiske nøjagtighed af koronararteriesygdom med ukorrigerede SPECT-billeder, der bruges de fleste steder i dag, avancerede hybride SPECT/CT-billeder og nye AI-korrigerede billeder i usete data fra centre, der aldrig blev brugt i DeepAC-træning.

De fandt ud af, at AI skabte billeder, der havde næsten samme kvalitet og muliggjorde lignende diagnostisk nøjagtighed som dem, der blev opnået med dyrere scannere.

Denne AI-model var i stand til at generere DeepAC-billeder på brøkdele af et sekund på standard computersoftware og kunne nemt implementeres i kliniske arbejdsgange som et automatiseret forbehandlingstrin."

Piotr Slomka, ph.d,Direktør for Imaging Innovation, Cedars-Sinai

Forudsigelse af større uønskede hjertehændelser

I den anden undersøgelse, offentliggjort i Journal of American College of Cardiology: Cardiovascular Imaging, viste holdet, at deep learning AI gør det muligt at forudsige store uønskede hjertehændelser såsom død og hjerteanfald direkte fra SPECT-billeder.

Efterforskere trænede AI-modellen ved hjælp af en stor multinational database, der omfattede fem forskellige lokationer med over 20.000 patientscanninger. Den indeholdt billeder, der skildrede hjerteperfusion og bevægelse for hver patient.

AI-modellen giver visuelle forklaringer til lægerne og fremhæver billederne med de regioner, der bidrager til en høj risiko for uønskede hændelser.

Holdet testede derefter AI-modellen på to forskellige steder med over 9.000 scanninger. De fandt ud af, at deep learning-modellen forudsagde patientrisiko mere præcist end softwareprogrammer, der i øjeblikket bruges i klinikken.

"I den første undersøgelse var vi i stand til at vise, at vigtige billedkorrektioner kan udføres med AI uden dyre scannere," siger Slomka. "For det andet viser vi, at eksisterende billeder kan bruges bedre - ved at bruge billeder til at forudsige patientens risiko for hjerteanfald eller død og fremhæve de kardiale træk, der indikerer denne risiko - for bedre at informere klinikere om koronar hjertesygdom."

"Disse resultater repræsenterer et principbevis for, hvordan AI kan forbedre den kliniske diagnostik," sagde Sumeet Chugh, MD, direktør for afdelingen for kunstig intelligens i medicin. "AI-drevne forbedringer af SPECT-billeddannelse har potentialet til at forbedre nøjagtigheden af ​​diagnosticering af koronararteriesygdomme, mens de udføres betydeligt hurtigere og billigere end de nuværende standarder."

Reduktion af bias i AI-modeller

Det tredje studie, offentliggjort i European Journal of Nuclear Medicine and Molecular Imaging, beskriver, hvordan et AI-system kan trænes til at fungere godt i alle relevante populationer – ikke kun den befolkning, som systemet er uddannet til.

Nogle AI-systemer er trænet på højrisikopatientpopulationer, hvilket kan få systemer til at overvurdere sandsynligheden for sygdom. For at sikre, at AI-modellen fungerer præcist for alle patienter og reducerer bias, trænede Slomka og hans team AI-systemet med simulerede variationer af patienter. Denne proces, kaldet dataforøgelse, hjælper bedre med at afspejle blandingen af ​​patienter, der forventes at gennemgå billeddannelsestestene.

De fandt ud af, at modellerne trænet med en afbalanceret blanding af patienter mere præcist forudsagde sandsynligheden for koronararteriesygdom hos kvinder og lavrisikopatienter, hvilket potentielt kunne føre til mindre invasiv testning og mere præcis diagnose hos kvinder.

Modellerne resulterede også i færre falske positive, hvilket tyder på, at systemet muligvis kan reducere antallet af tests, som patienten gennemgår for at udelukke sygdommen.

"Resultaterne tyder på, at forbedring af træningsdata er afgørende for at sikre, at AI-forudsigelser bedre afspejler den befolkning, som de anvendes til i fremtiden," sagde Slomka.

Forskere evaluerer nu disse nye AI-tilgange på Cedars-Sinai og undersøger, hvordan de kan integreres i klinisk software og bruges i standard patientbehandling.

Forskningen blev delvist støttet af National Heart, Lung, and Blood Institute.

Kilde:

Cedertræer Sinai

Reference:

Shanbhag, AD, et al. (2022) Dyb indlæringsbaseret dæmpningskorrektion forbedrer den diagnostiske nøjagtighed af hjerte SPECT. Journal of Nuclear Medicine. doi.org/10.2967/jnumed.122.264429.

.