Tekoälymallit parantavat sepelvaltimotaudin diagnosoinnin tarkkuutta

Tekoälymallit parantavat sepelvaltimotaudin diagnosoinnin tarkkuutta

Useat viimeaikaiset löydöt osoittavat, että sepelvaltimotaudin diagnosoinnin tarkkuutta ja potilasriskin ennustamista parannetaan käyttämällä tekoälyn (AI) malleja, jotka tutkijat ovat kehittäneet Cedars-Sinain lääketieteellisen tekoälyn osastossa.

Nämä edistysaskeleet johti Piotr Slomka, PhD,Cedars-Sinain kuvantamisen innovaatiojohtaja ja lääketieteen tekoälyosaston ja Smidt Heart Instituten tutkija helpottavat yhden yleisimmistä ja tappavimmista sydänsairauksista havaitsemista ja diagnosointia.

Sepelvaltimotauti vaikuttaa valtimoihin, jotka toimittavat verta sydänlihakseen. Hoitamattomana se voi johtaa sydänkohtaukseen tai muihin komplikaatioihin, kuten sydämen rytmihäiriöihin tai sydämen vajaatoimintaan.

Sairaus, joka vaikuttaa noin 16,3 miljoonaan 20-vuotiaalle ja sitä vanhemmalle amerikkalaiselle, diagnosoidaan yleisesti käyttämällä yhden fotoniemissiotietokonetomografiaa (SPECT) ja tietokonetomografiaa (CT). Skannauksen aikana syntyneet kuvat eivät kuitenkaan aina ole helppolukuisia.

"Näytämme edelleen, että tekoäly voi parantaa kuvien laatua ja paljastaa enemmän tietoa, mikä johtaa tarkempiin sairausdiagnooseihin", sanoi Slomka, joka on myös lääketieteen ja kardiologian professori ja vanhempi kirjoittaja kolmessa äskettäin julkaistussa tutkimuksessa, joissa tekoälyä käytetään sydämen kuvantamisen parantamiseen.

Tekoälyn käyttö sydämen kuvantamisen parantamiseen

Ensimmäinen tutkimus, joka julkaistiin Journal of Nuclear Medicine -lehdessä, käyttää tekoälytekniikkaa sydämen kuvantamiseen, mikä auttaa parantamaan sepelvaltimotaudin SPECT-kuvauksen diagnostista tarkkuutta edistyneiden kuvakorjausten avulla.

Vaimennuksen korjaus on tärkeää SPECT-kuvauksessa, koska se auttaa vähentämään artefakteja sydänkuvissa ja tekee niistä helpompia lukea ja tarkempia. Se vaatii kuitenkin ylimääräisen CT-skannauksen ja kalliita hybridi-SPECT/CT-laitteita, jotka ovat käytännössä kaksi skanneria yhdessä.

Vaikka CT-vaimennuskorjauksen on osoitettu parantavan sepelvaltimotaudin diagnosointia, se suoritetaan tällä hetkellä vain pienemmässä osassa skannauksista johtuen lisäskannausajasta, säteilystä ja tämän kalliin tekniikan rajoitetusta saatavuudesta.

Näiden esteiden voittamiseksi Slomka ja hänen tiiminsä kehittivät DeepAC-nimisen syväoppimismallin, joka tuottaa korjattuja SPECT-kuvia ilman kalliita hybridiskannereita. Nämä kuvat luodaan tekoälytekniikoilla, jotka ovat samanlaisia ​​kuin ne, joita käytetään "syvien väärennettyjen" videoiden luomiseen, ja ne voivat simuloida korkealaatuisia kuvia, jotka on saatu hybridi-SPECT/CT-skannereista.

Tiimi vertasi sepelvaltimotaudin diagnostista tarkkuutta useimmissa paikoissa nykyään käytettyihin korjaamattomiin SPECT-kuviin, kehittyneisiin hybridi-SPECT/CT-kuviin ja uusiin tekoälykorjattuihin kuviin ennennäkemättömässä datassa keskuksista, joita ei koskaan käytetty DeepAC-koulutuksessa.

He havaitsivat, että tekoäly loi kuvia, jotka olivat lähes samanlaatuisia ja mahdollistivat samanlaisen diagnostisen tarkkuuden kuin kalliimmilla skannereilla saadut kuvat.

Tämä tekoälymalli pystyi luomaan DeepAC-kuvia sekunnin murto-osissa tavallisella tietokoneohjelmistolla, ja se voidaan helposti ottaa käyttöön kliinisiin työnkulkuihin automaattisena esikäsittelyvaiheena.

Piotr Slomka, tohtori,Imaging Innovationin johtaja, Cedars-Sinai

Suurten haitallisten sydäntapahtumien ennustaminen

Toisessa tutkimuksessa, joka julkaistiin Journal of American College of Cardiology: Cardiovascular Imaging -lehdessä, ryhmä osoitti, että syvän oppimisen tekoäly mahdollistaa merkittävien haitallisten sydäntapahtumien, kuten kuoleman ja sydänkohtauksen, ennustamisen suoraan SPECT-kuvista.

Tutkijat kouluttivat tekoälymallia käyttämällä suurta monikansallista tietokantaa, joka sisälsi viisi eri sijaintia yli 20 000 potilasskannauksella. Se sisälsi kuvia, jotka kuvaavat jokaisen potilaan sydämen perfuusiota ja liikettä.

Tekoälymalli tarjoaa visuaalisia selityksiä lääkäreille ja korostaa kuvia alueilla, jotka lisäävät suurta haittatapahtumien riskiä.

Tämän jälkeen tiimi testasi tekoälymallia kahdessa eri paikassa yli 9 000 skannauksella. He havaitsivat, että syväoppimismalli ennusti potilaan riskiä tarkemmin kuin klinikalla tällä hetkellä käytetyt ohjelmistot.

"Ensimmäisessä tutkimuksessa pystyimme osoittamaan, että tärkeät kuvankorjaukset voidaan tehdä tekoälyllä ilman kalliita skannereita", Slomka sanoo. "Toiseksi osoitamme, että olemassa olevia kuvia voidaan käyttää paremmin - käyttämällä kuvia ennustamaan potilaan sydänkohtauksen tai kuoleman riskiä ja korostamaan sydämen piirteitä, jotka osoittavat tämän riskin - tiedottaaksemme kliinikoille paremmin sepelvaltimotaudista."

"Nämä tulokset ovat todiste periaatteesta siitä, kuinka tekoäly voi parantaa kliinistä diagnostiikkaa", sanoi Sumeet Chugh, MD, lääketieteen tekoälyn osaston johtaja. "Tekoälyn avulla tehdyt SPECT-kuvantamisen parannukset voivat parantaa sepelvaltimotaudin diagnosoinnin tarkkuutta samalla kun ne suoritetaan huomattavasti nykyistä standardia nopeammin ja halvemmalla."

Vähentää harhaa tekoälymalleissa

Kolmas tutkimus, joka julkaistiin European Journal of Nuclear Medicine and Molecular Imaging -lehdessä, kuvaa, kuinka tekoälyjärjestelmä voidaan kouluttaa toimimaan hyvin kaikissa soveltuvissa populaatioissa - ei vain populaatiossa, jolle järjestelmä on koulutettu.

Jotkut tekoälyjärjestelmät on koulutettu suuren riskin potilaspopulaatioille, mikä voi saada järjestelmät yliarvioimaan sairauden todennäköisyyden. Varmistaakseen, että tekoälymalli toimii tarkasti kaikille potilaille ja vähentää harhaa, Slomka ja hänen tiiminsä kouluttivat tekoälyjärjestelmää potilaiden simuloiduilla muunnelmilla. Tämä prosessi, jota kutsutaan tietojen lisäämiseksi, auttaa heijastamaan paremmin niiden potilaiden yhdistelmää, joille kuvantamistestejä odotetaan.

He havaitsivat, että mallit, jotka oli koulutettu tasapainoisella potilaiden yhdistelmällä, ennustivat tarkemmin sepelvaltimotaudin todennäköisyyttä naisilla ja matalan riskin potilailla, mikä saattaa johtaa vähemmän invasiiviseen testaukseen ja tarkempaan diagnoosiin naisilla.

Mallit johtivat myös harvempiin vääriin positiivisiin tuloksiin, mikä viittaa siihen, että järjestelmä saattaa pystyä vähentämään potilaalle tekemien testien määrää taudin sulkemiseksi pois.

"Tulokset viittaavat siihen, että harjoitustietojen parantaminen on ratkaisevan tärkeää sen varmistamiseksi, että tekoälyennusteet kuvastavat paremmin väestöä, johon niitä sovelletaan tulevaisuudessa", Slomka sanoi.

Tutkijat arvioivat nyt näitä uusia tekoälymenetelmiä Cedars-Sinaissa ja tutkivat, kuinka ne voitaisiin integroida kliinisiin ohjelmistoihin ja käyttää tavallisessa potilaiden hoidossa.

Tutkimusta tuki osittain National Heart, Lung and Blood Institute.

Lähde:

Cedars Siinai

Viite:

Shanbhag, AD, et ai. (2022) Syväoppimiseen perustuva vaimennuskorjaus parantaa sydämen SPECT:n diagnostista tarkkuutta. Journal of Nuclear Medicine. doi.org/10.2967/jnumed.122.264429.

.