AI modeli poboljšavaju točnost dijagnosticiranja bolesti koronarnih arterija

AI modeli poboljšavaju točnost dijagnosticiranja bolesti koronarnih arterija

Nekoliko nedavnih otkrića pokazuje da se točnost dijagnosticiranja bolesti koronarnih arterija i predviđanja rizika za pacijente poboljšava korištenjem modela umjetne inteligencije (AI) koje su razvili znanstvenici u Odjelu za umjetnu inteligenciju u medicini na Cedars-Sinai.

Ovaj napredak, predvođen dr. sc. Piotrom Slomkom,Direktor Inovacije u slikanju na Cedars-Sinai i znanstvenik-istraživač u Odjelu za umjetnu inteligenciju u medicini i Smidt Heart Institute, olakšavaju otkrivanje i dijagnozu jedne od najčešćih i najsmrtonosnijih bolesti srca.

Bolest koronarnih arterija zahvaća arterije koje krvlju opskrbljuju srčani mišić. Ako se ne liječi, može dovesti do srčanog udara ili drugih komplikacija kao što su srčane aritmije ili zatajenje srca.

Stanje, koje pogađa približno 16,3 milijuna Amerikanaca u dobi od 20 i više godina, obično se dijagnosticira pomoću kompjutorizirane tomografije emisijom jednog fotona (SPECT) i kompjutorizirane tomografije (CT). Međutim, slike proizvedene skeniranjem nisu uvijek lako čitljive.

"Nastavljamo pokazivati ​​da umjetna inteligencija može poboljšati kvalitetu slika i otkriti više informacija, što dovodi do točnijih dijagnoza bolesti", rekao je Slomka, koji je također profesor medicine i kardiologije te viši autor triju nedavno objavljenih studija koje koriste umjetnu inteligenciju za poboljšanje slikanja srca.

Korištenje umjetne inteligencije za poboljšanje slike srca

Prva studija, objavljena u Journal of Nuclear Medicine, koristi AI tehnologiju za oslikavanje srca, pomažući u poboljšanju dijagnostičke točnosti SPECT oslikavanja za bolest koronarne arterije kroz napredne korekcije slike.

Korekcija atenuacije je važna u SPECT snimanju, pomaže u smanjenju artefakata u slikama srca i čini ih lakšim za čitanje i točnijim. No, zahtijeva dodatni CT i skupe hibridne SPECT/CT aparate, koji su u biti dva skenera u jednom.

Dok se pokazalo da korekcija atenuacije CT-om poboljšava dijagnozu bolesti koronarnih arterija, trenutno se izvodi samo na manjem broju pretraga zbog dodatnog vremena skeniranja, zračenja i ograničene dostupnosti ove skupe tehnologije.

Kako bi prevladali te prepreke, Slomka i njegov tim razvili su model dubokog učenja nazvan DeepAC za generiranje ispravljenih SPECT slika bez potrebe za skupim hibridnim skenerima. Ove slike generiraju tehnike umjetne inteligencije slične onima koje se koriste za generiranje "dubokih lažnih" videozapisa i mogu simulirati slike visoke kvalitete dobivene iz hibridnih SPECT/CT skenera.

Tim je usporedio dijagnostičku točnost bolesti koronarnih arterija s nekorigiranim SPECT slikama koje se danas koriste na većini mjesta, naprednim hibridnim SPECT/CT slikama i novim AI-korigiranim slikama u nevidljivim podacima iz centara koji nikada nisu korišteni u DeepAC obuci.

Otkrili su da umjetna inteligencija stvara slike koje su gotovo iste kvalitete i omogućuju sličnu dijagnostičku točnost kao one dobivene skupljim skenerima.

Ovaj AI model bio je u stanju generirati DeepAC slike u djeliću sekunde na standardnom računalnom softveru i mogao se lako implementirati u kliničke tijekove rada kao automatizirani korak pretprocesiranja.”

Piotr Slomka, dr. sc,Direktor slikovnih inovacija, Cedars-Sinai

Predviđanje velikih štetnih srčanih događaja

U drugoj studiji, objavljenoj u Journal of American College of Cardiology: Cardiovascular Imaging, tim je pokazao da umjetna inteligencija dubokog učenja omogućuje predviđanje velikih štetnih srčanih događaja poput smrti i srčanog udara izravno iz SPECT slika.

Istražitelji su obučili AI model koristeći veliku multinacionalnu bazu podataka koja je uključivala pet različitih lokacija s više od 20.000 skeniranja pacijenata. Sadržavao je slike koje prikazuju srčanu perfuziju i kretanje za svakog pacijenta.

AI model pruža vizualna objašnjenja za liječnike i ističe slike s regijama koje doprinose visokom riziku od neželjenih događaja.

Tim je potom testirao AI model na dvije različite lokacije s više od 9000 skeniranja. Otkrili su da model dubokog učenja točnije predviđa rizik za pacijenta od softverskih programa koji se trenutno koriste u klinici.

"U prvoj studiji uspjeli smo pokazati da se važne korekcije slike mogu izvesti pomoću umjetne inteligencije bez skupih skenera", kaže Slomka. "Drugo, pokazujemo da se postojeće slike mogu bolje iskoristiti - korištenjem slika za predviđanje pacijentovog rizika od srčanog udara ili smrti i isticanjem srčanih značajki koje ukazuju na taj rizik - za bolje informiranje kliničara o koronarnoj bolesti srca."

"Ovi rezultati predstavljaju dokaz načela kako umjetna inteligencija može poboljšati kliničku dijagnostiku", rekao je Sumeet Chugh, MD, direktor Odjela za umjetnu inteligenciju u medicini. "Poboljšanja SPECT snimanja pomoću umjetne inteligencije mogu poboljšati točnost dijagnosticiranja bolesti koronarnih arterija dok se izvode znatno brže i jeftinije od trenutnih standarda."

Smanjenje pristranosti u AI modelima

Treća studija, objavljena u European Journal of Nuclear Medicine and Molecular Imaging, opisuje kako se sustav umjetne inteligencije može uvježbati da dobro radi u svim primjenjivim populacijama – ne samo u populaciji za koju je sustav obučen.

Neki sustavi umjetne inteligencije treniraju se na visokorizičnim populacijama pacijenata, što može dovesti do toga da sustavi precijene vjerojatnost bolesti. Kako bi osigurali da AI model radi točno za sve pacijente i smanjuje pristranost, Slomka i njegov tim obučili su AI sustav sa simuliranim varijacijama pacijenata. Ovaj proces, nazvan povećanjem podataka, pomaže boljem odražavanju kombinacije pacijenata za koje se očekuje da će biti podvrgnuti slikovnim testovima.

Otkrili su da modeli obučeni s uravnoteženom kombinacijom pacijenata točnije predviđaju vjerojatnost bolesti koronarnih arterija kod žena i pacijenata s niskim rizikom, što potencijalno dovodi do manje invazivnog testiranja i točnije dijagnoze kod žena.

Modeli su također rezultirali manjim brojem lažno pozitivnih rezultata, što sugerira da bi sustav mogao smanjiti broj testova kojima se pacijent podvrgava kako bi se isključila bolest.

"Rezultati sugeriraju da je poboljšanje podataka o obuci ključno za osiguravanje da AI predviđanja bolje odražavaju populaciju na koju se primjenjuju u budućnosti", rekao je Slomka.

Istraživači sada procjenjuju ove nove pristupe umjetne inteligencije u Cedars-Sinai i istražuju kako bi se mogli integrirati u klinički softver i koristiti u standardnoj njezi pacijenata.

Istraživanje je djelomično podržao Nacionalni institut za srce, pluća i krv.

Izvor:

Cedars Sinai

Referenca:

Shanbhag, AD, et al. (2022) Korekcija atenuacije temeljena na dubokom učenju poboljšava dijagnostičku točnost srčanog SPECT-a. Časopis za nuklearnu medicinu. doi.org/10.2967/jnumed.122.264429.

.