Az AI modellek javítják a koszorúér-betegség diagnosztizálásának pontosságát

Az AI modellek javítják a koszorúér-betegség diagnosztizálásának pontosságát

Számos közelmúltbeli felfedezés azt mutatja, hogy a koszorúér-betegség diagnosztizálásának pontossága és a betegek kockázatának előrejelzése javul a mesterséges intelligencia (AI) modellek segítségével, amelyeket a Cedars-Sinai Orvostudományi Mesterséges Intelligencia Osztályának tudósai fejlesztettek ki.

Ezek az előrelépések PhD Piotr Slomka vezetésével,A Cedars-Sinai képalkotás innovációs részlegének igazgatója, valamint a Mesterséges Intelligencia Orvostudományi Osztály és a Smidt Szívintézet kutatója elősegíti az egyik leggyakoribb és leghalálosabb szívbetegség kimutatását és diagnosztizálását.

A koszorúér-betegség a szívizmot vérrel ellátó artériákat érinti. Ha nem kezelik, szívrohamhoz vagy más szövődményekhez, például szívritmuszavarokhoz vagy szívelégtelenséghez vezethet.

Az állapotot, amely körülbelül 16,3 millió 20 éves és idősebb amerikait érint, általában egyfoton-emissziós számítógépes tomográfia (SPECT) és számítógépes tomográfia (CT) segítségével diagnosztizálják. A szkenneléssel előállított képek azonban nem mindig könnyen olvashatók.

"Továbbra is azt mutatjuk be, hogy a mesterséges intelligencia javíthatja a képek minőségét és több információt tárhat fel, ami pontosabb betegségdiagnózishoz vezet" - mondta Slomka, aki egyben az orvostudomány és a kardiológia professzora, valamint három nemrégiben publikált tanulmány vezető szerzője, amelyek a mesterséges intelligencia segítségével javítják a szív képalkotását.

AI használata a szív képalkotásának javítására

Az első, a Journal of Nuclear Medicine-ben publikált tanulmány mesterséges intelligencia technológiát használ a szív képalkotásához, és fejlett képkorrekciókkal segíti a koszorúér-betegség SPECT képalkotásának diagnosztikai pontosságát.

A csillapítás korrekciója fontos a SPECT képalkotásban, segít csökkenteni a műtermékeket a szívképekben, és könnyebben olvashatóvá és pontosabbá teszi azokat. Ehhez azonban további CT-vizsgálatra és drága hibrid SPECT/CT-gépekre van szükség, amelyek lényegében két szkenner egyben.

Míg a CT-csillapítási korrekcióról kimutatták, hogy javítja a koszorúér-betegség diagnózisát, jelenleg csak a szkennelések kisebb részében hajtják végre a többlet szkennelési idő, a sugárzás és a drága technológia korlátozott elérhetősége miatt.

Ezen akadályok leküzdésére Slomka és csapata kifejlesztett egy DeepAC nevű mély tanulási modellt, amely korrigált SPECT képeket állít elő drága hibrid szkennerek nélkül. Ezeket a képeket olyan mesterséges intelligencia technikákkal állítják elő, amelyek hasonlóak a „mély hamis” videók előállításához használtakhoz, és képesek szimulálni a hibrid SPECT/CT-szkennerekből származó kiváló minőségű képeket.

A csapat összehasonlította a koszorúér-betegség diagnosztikai pontosságát a legtöbb helyen jelenleg használt korrigálatlan SPECT-képekkel, a fejlett hibrid SPECT/CT-képekkel és az új, mesterséges intelligencia által korrigált képekkel olyan központok nem látott adataiban, amelyeket soha nem használtak a DeepAC-képzésben.

Azt találták, hogy a mesterséges intelligencia olyan képeket hozott létre, amelyek közel azonos minőségűek és hasonló diagnosztikai pontosságot tesznek lehetővé, mint a drágább szkennerekkel.

Ez az AI-modell a másodperc töredéke alatt képes volt DeepAC-képeket generálni szabványos számítógépes szoftveren, és automatizált előfeldolgozási lépésként könnyen beépíthető a klinikai munkafolyamatokba.”

Piotr Slomka, PhD,A Cedars-Sinai képalkotási innováció igazgatója

A jelentősebb szívbetegségek előrejelzése

A második tanulmányban, amelyet a Journal of American College of Cardiology: Cardiovascular Imaging publikáltak, a csapat kimutatta, hogy a mély tanulási mesterséges intelligencia lehetővé teszi a súlyos szívbetegségek, például a halál és a szívroham előrejelzését közvetlenül a SPECT képek alapján.

A kutatók egy nagy multinacionális adatbázis segítségével képezték ki az AI-modellt, amely öt különböző helyszínt tartalmazott, több mint 20 000 páciens vizsgálatával. Minden egyes páciens szívperfúzióját és mozgását ábrázoló képeket tartalmazott.

Az AI-modell vizuális magyarázatokat ad az orvosoknak, és kiemeli a képeket azon régiókkal, amelyek hozzájárulnak a nemkívánatos események magas kockázatához.

A csapat ezután két különböző helyen tesztelte az AI-modellt, több mint 9000 szkenneléssel. Azt találták, hogy a mély tanulási modell pontosabban jelezte előre a betegek kockázatát, mint a klinikán jelenleg használt szoftverek.

„Az első vizsgálat során be tudtuk mutatni, hogy fontos képjavítások végezhetők mesterséges intelligencia segítségével drága szkennerek nélkül” – mondja Slomka. "Másodszor megmutatjuk, hogy a meglévő képeket jobban fel lehet használni – a képek segítségével előre jelezni a beteg szívinfarktusának vagy halálának kockázatát, és kiemelve azokat a szívjellemzőket, amelyek ezt a kockázatot jelzik -, hogy jobban tájékoztassák a klinikusokat a szívkoszorúér-betegségről."

„Ezek az eredmények azt az elvet igazolják, hogy a mesterséges intelligencia hogyan javíthatja a klinikai diagnosztikát” – mondta Sumeet Chugh, MD, a Mesterséges Intelligencia Orvostudományi Osztályának igazgatója. "A SPECT képalkotás mesterséges intelligenciájú fejlesztései javíthatják a koszorúér-betegség diagnosztizálásának pontosságát, miközben lényegesen gyorsabban és olcsóbban végzik el, mint a jelenlegi szabványok."

A torzítás csökkentése az AI modellekben

A harmadik tanulmány, amelyet a European Journal of Nuclear Medicine and Molecular Imaging folyóiratban tettek közzé, leírja, hogyan lehet egy mesterséges intelligencia rendszert arra tanítani, hogy az összes alkalmazható populációban jól működjön – nem csak abban a populációban, amelyre a rendszert kiképezték.

Egyes mesterséges intelligencia-rendszereket a magas kockázatú betegpopulációkra képezték ki, ami miatt a rendszerek túlbecsülik a betegségek valószínűségét. Annak biztosítása érdekében, hogy az AI-modell minden betegnél pontosan működjön, és csökkentse az elfogultságot, Slomka és csapata a betegek szimulált változataival képezte ki az AI-rendszert. Ez az adatkiegészítésnek nevezett folyamat segít jobban tükrözni a képalkotó vizsgálatokon várhatóan részt vevő betegek összetételét.

Azt találták, hogy a betegek kiegyensúlyozott keverékével kiképzett modellek pontosabban jelezték előre a koszorúér-betegség valószínűségét nőknél és alacsony kockázatú betegeknél, ami potenciálisan kevésbé invazív vizsgálatokhoz és pontosabb diagnózishoz vezethet nőknél.

A modellek kevesebb hamis pozitív eredményt is eredményeztek, ami arra utal, hogy a rendszer képes lehet csökkenteni a beteg által elvégzett vizsgálatok számát a betegség kizárása érdekében.

„Az eredmények azt sugallják, hogy a képzési adatok javítása kritikus fontosságú annak biztosításához, hogy az AI-előrejelzések jobban tükrözzék azt a populációt, amelyre a jövőben alkalmazzák” – mondta Slomka.

A kutatók most értékelik ezeket az újszerű mesterséges intelligencia-megközelítéseket a Cedars-Sinai-nál, és azt vizsgálják, hogyan integrálhatók a klinikai szoftverekbe, és hogyan használhatók a szokásos betegellátásban.

A kutatást részben a Nemzeti Szív-, Tüdő- és Vérintézet támogatta.

Forrás:

Sínai cédrusok

Referencia:

Shanbhag, AD és munkatársai. (2022) A mély tanuláson alapuló csillapítás-korrekció javítja a szív-SPECT diagnosztikai pontosságát. Journal of Nuclear Medicine. doi.org/10.2967/jnumed.122.264429.

.