AI mudelid parandavad koronaararterite haiguse diagnoosimise täpsust

AI mudelid parandavad koronaararterite haiguse diagnoosimise täpsust

Mitmed hiljutised avastused näitavad, et Cedars-Sinai meditsiini tehisintellekti osakonna teadlaste välja töötatud tehisintellekti (AI) mudelite abil parandatakse koronaararterite haiguse diagnoosimise ja patsientide riski prognoosimise täpsust.

Need edusammud, mida juhtis PhD Piotr Slomka,Cedars-Sinai pildindusinnovatsiooni direktor ning meditsiini tehisintellekti osakonna ja Smidti südameinstituudi teadur hõlbustavad ühe levinuima ja surmavama südamehaiguse avastamist ja diagnoosimist.

Koronaararterite haigus mõjutab artereid, mis varustavad verega südamelihast. Kui seda ei ravita, võib see põhjustada südameataki või muid tüsistusi, nagu südame rütmihäired või südamepuudulikkus.

Seda haigusseisundit, mis mõjutab ligikaudu 16,3 miljonit 20-aastast ja vanemat ameeriklast, diagnoositakse tavaliselt ühe footoni emissiooniga kompuutertomograafia (SPECT) ja kompuutertomograafia (CT) abil. Skaneerimisel saadud pilte pole aga alati lihtne lugeda.

"Me näitame jätkuvalt, et tehisintellekt võib parandada piltide kvaliteeti ja avaldada rohkem teavet, mis viib haiguse täpsemate diagnoosideni," ütles Slomka, kes on ka meditsiini ja kardioloogia professor ning kolme hiljuti avaldatud uuringu vanemautor, milles kasutatakse tehisintellekti südame kuvamise parandamiseks.

AI kasutamine südame pildistamise parandamiseks

Esimene uuring, mis avaldati ajakirjas Journal of Nuclear Medicine, kasutab südame pildistamiseks tehisintellekti tehnoloogiat, mis aitab täiustatud pildiparanduste abil parandada koronaararterite haiguse SPECT-pildi diagnostilist täpsust.

Sumbumise korrigeerimine on SPECT-kujutise puhul oluline, kuna see aitab vähendada artefakte südamepiltidel ning muudab need hõlpsamini loetavaks ja täpsemaks. See nõuab aga täiendavat CT-skannimist ja kalleid hübriid-SPECT/CT-aparaate, mis on sisuliselt kaks skannerit ühes.

Kuigi on näidatud, et CT sumbumise korrigeerimine parandab koronaararterite haiguse diagnoosimist, tehakse seda praegu ainult vähesel osal skaneeringutest, kuna skaneerimisaeg on täiendav, kiirgus ja selle kalli tehnoloogia piiratud kättesaadavus.

Nende takistuste ületamiseks töötas Slomka ja tema meeskond välja sügava õppimismudeli nimega DeepAC, et genereerida korrigeeritud SPECT-pilte ilma kalleid hübriidskannereid kasutamata. Need kujutised genereeritakse tehisintellekti tehnikate abil, mis on sarnased „sügavate võltsvideote” genereerimiseks kasutatavate tehnikatega ja võivad simuleerida hübriid-SPECT/CT-skanneritest saadud kvaliteetseid pilte.

Meeskond võrdles koronaararterite haiguse diagnostilist täpsust enamikus kohtades tänapäeval kasutatavate korrigeerimata SPECT-piltidega, täiustatud hübriid-SPECT/CT-piltidega ja uute tehisintellektiga korrigeeritud piltidega nähtamatutes andmetes keskustest, mida DeepAC-koolituses kunagi ei kasutatud.

Nad leidsid, et AI lõi pilte, mis olid peaaegu sama kvaliteediga ja võimaldasid sarnast diagnostilist täpsust kui kallimate skannerite puhul.

See AI-mudel suutis genereerida DeepAC-pilte sekundi murdosaga tavalises arvutitarkvaras ja seda saab hõlpsasti rakendada kliinilistes töövoogudes automatiseeritud eeltöötlusetapina.

Piotr Slomka, PhD,Cedars-Sinai pildindusinnovatsiooni direktor

Suuremate südamega seotud kõrvaltoimete prognoosimine

Teises uuringus, mis avaldati ajakirjas Journal of American College of Cardiology: Cardiovascular Imaging, näitas töörühm, et süvaõppe AI võimaldab ennustada suuri südamega seotud kõrvaltoimeid, nagu surm ja südameatakk, otse SPECT-piltide põhjal.

Uurijad koolitasid tehisintellekti mudelit suure rahvusvahelise andmebaasi abil, mis hõlmas viit erinevat asukohta enam kui 20 000 patsiendi skaneeringuga. See sisaldas pilte, mis kujutasid iga patsiendi südame perfusiooni ja liikumist.

AI-mudel pakub arstidele visuaalseid selgitusi ja tõstab esile pildid piirkondadega, mis aitavad kaasa suurele kõrvalnähtude riskile.

Seejärel katsetas meeskond AI-mudelit kahes erinevas kohas enam kui 9000 skaneeringuga. Nad leidsid, et süvaõppe mudel ennustas patsiendi riski täpsemalt kui kliinikus praegu kasutatavad tarkvaraprogrammid.

"Esimeses uuringus suutsime näidata, et tehisintellektiga saab olulisi pildiparandusi teha ilma kallite skanneriteta, " ütleb Slomka. "Teiseks näitame, et olemasolevaid pilte saab paremini kasutada - kasutades pilte, et ennustada patsiendi südameinfarkti või surma riski ja tuues esile südamefunktsioonid, mis sellele riskile viitavad -, et arstid paremini teavitada südame isheemiatõvest."

"Need tulemused näitavad põhimõtet selle kohta, kuidas AI saab parandada kliinilist diagnostikat," ütles Sumeet Chugh, meditsiini tehisintellekti osakonna direktor. "SPECT-kujutise tehisintellektipõhised täiustused võivad parandada koronaararterite haiguse diagnoosimise täpsust, tehes seda oluliselt kiiremini ja odavamalt kui praegu kehtivad standardid."

AI mudelite eelarvamuste vähendamine

Kolmas uuring, mis avaldati ajakirjas European Journal of Nuclear Medicine and Molecular Imaging, kirjeldab, kuidas tehisintellekti süsteemi saab treenida nii, et see töötaks hästi kõigis asjakohastes populatsioonides – mitte ainult selles populatsioonis, mille jaoks süsteemi koolitati.

Mõned tehisintellektisüsteemid on koolitatud kõrge riskiga patsientide populatsioonide jaoks, mis võib põhjustada süsteemide haiguse tõenäosust ülehinnata. Tagamaks, et AI-mudel töötaks kõigi patsientide puhul täpselt ja vähendab eelarvamusi, koolitasid Slomka ja tema meeskond AI-süsteemi patsientide simuleeritud variatsioonidega. See protsess, mida nimetatakse andmete suurendamiseks, aitab paremini kajastada patsientide hulka, kes peaksid läbima pilditestid.

Nad leidsid, et tasakaalustatud patsientide kombinatsiooniga koolitatud mudelid ennustasid täpsemalt koronaararterite haiguse tõenäosust naistel ja madala riskiga patsientidel, mis võib viia vähem invasiivse testimiseni ja naistele täpsema diagnoosini.

Mudelid andsid ka vähem valepositiivseid tulemusi, mis viitab sellele, et süsteem võib haiguse välistamiseks vähendada patsiendile tehtavate testide arvu.

"Tulemused näitavad, et koolitusandmete parandamine on kriitilise tähtsusega tagamaks, et tehisintellekti prognoosid kajastaksid paremini elanikkonda, kellele neid tulevikus rakendatakse," ütles Slomka.

Teadlased hindavad nüüd neid uudseid tehisintellekti lähenemisviise Cedars-Sinais ja uurivad, kuidas saaks neid integreerida kliinilisse tarkvarasse ja kasutada standardses patsiendihoolduses.

Uuringut toetas osaliselt riiklik südame-, kopsu- ja vereinstituut.

Allikas:

Seedrid Siinai

Viide:

Shanbhag, AD jt. (2022) Sügaval õppimisel põhinev sumbumise korrigeerimine parandab südame SPECT-i diagnostilist täpsust. Tuumameditsiini ajakiri. doi.org/10.2967/jnumed.122.264429.

.