I modelli di intelligenza artificiale migliorano l’accuratezza della diagnosi della malattia coronarica

I modelli di intelligenza artificiale migliorano l’accuratezza della diagnosi della malattia coronarica

Diverse scoperte recenti mostrano che l’accuratezza della diagnosi della malattia coronarica e della previsione del rischio del paziente stanno migliorando utilizzando modelli di intelligenza artificiale (AI) sviluppati dagli scienziati della Divisione di Intelligenza Artificiale in Medicina del Cedars-Sinai.

Questi progressi, guidati da Piotr Slomka, PhD,Direttore dell'Innovazione nell'Imaging presso Cedars-Sinai e ricercatore presso la Divisione di Intelligenza Artificiale in Medicina e lo Smidt Heart Institute, facilitano l'individuazione e la diagnosi di una delle malattie cardiache più comuni e mortali.

La malattia coronarica colpisce le arterie che forniscono sangue al muscolo cardiaco. Se non trattata, può portare ad un infarto o ad altre complicazioni come aritmie cardiache o insufficienza cardiaca.

La condizione, che colpisce circa 16,3 milioni di americani di età pari o superiore a 20 anni, viene comunemente diagnosticata utilizzando la tomografia computerizzata a emissione di fotone singolo (SPECT) e la tomografia computerizzata (CT). Tuttavia, le immagini prodotte dalla scansione non sono sempre facili da leggere.

“Continuiamo a dimostrare che l’intelligenza artificiale può migliorare la qualità delle immagini e rivelare più informazioni, portando a diagnosi di malattie più accurate”, ha affermato Slomka, che è anche professore di medicina e cardiologia e autore senior di tre studi recentemente pubblicati che utilizzano l’intelligenza artificiale per migliorare l’imaging cardiaco.

Utilizzo dell’intelligenza artificiale per migliorare l’imaging cardiaco

Il primo studio, pubblicato sul Journal of Nuclear Medicine, utilizza la tecnologia AI per l’imaging cardiaco, contribuendo a migliorare l’accuratezza diagnostica dell’imaging SPECT per la malattia coronarica attraverso correzioni avanzate dell’immagine.

La correzione dell'attenuazione è importante nell'imaging SPECT, poiché aiuta a ridurre gli artefatti nelle immagini cardiache e le rende più facili da leggere e più accurate. Tuttavia, richiede una scansione TC aggiuntiva e costose macchine ibride SPECT/CT, che sono essenzialmente due scanner in uno.

Sebbene sia stato dimostrato che la correzione dell’attenuazione TC migliora la diagnosi della malattia coronarica, attualmente viene eseguita solo su una minoranza di scansioni a causa del tempo di scansione aggiuntivo, delle radiazioni e della disponibilità limitata di questa costosa tecnologia.

Per superare questi ostacoli, Slomka e il suo team hanno sviluppato un modello di deep learning chiamato DeepAC per generare immagini SPECT corrette senza la necessità di costosi scanner ibridi. Queste immagini sono generate da tecniche di intelligenza artificiale simili a quelle utilizzate per generare video “deep fake” e possono simulare immagini di alta qualità ottenute da scanner ibridi SPECT/CT.

Il team ha confrontato l’accuratezza diagnostica della malattia coronarica con immagini SPECT non corrette utilizzate oggi nella maggior parte dei luoghi, immagini SPECT/CT ibride avanzate e nuove immagini corrette dall’intelligenza artificiale in dati invisibili provenienti da centri che non sono mai stati utilizzati nella formazione DeepAC.

Hanno scoperto che l’intelligenza artificiale creava immagini che avevano quasi la stessa qualità e consentivano una precisione diagnostica simile a quelle ottenute con scanner più costosi.

Questo modello di intelligenza artificiale è stato in grado di generare immagini DeepAC in frazioni di secondo su un software per computer standard e potrebbe essere facilmente implementato nei flussi di lavoro clinici come fase di pre-elaborazione automatizzata”.

Piotr Slomka, PhD,Direttore dell'innovazione dell'imaging, Cedars-Sinai

Previsione degli eventi cardiaci avversi maggiori

Nel secondo studio, pubblicato sul Journal of American College of Cardiology: Cardiovascolare Imaging, il team ha dimostrato che l’intelligenza artificiale con apprendimento profondo consente di prevedere eventi cardiaci avversi importanti come morte e infarto direttamente dalle immagini SPECT.

Gli investigatori hanno addestrato il modello AI utilizzando un ampio database multinazionale che comprendeva cinque diverse località con oltre 20.000 scansioni di pazienti. Conteneva immagini che raffiguravano la perfusione cardiaca e il movimento per ciascun paziente.

Il modello AI fornisce spiegazioni visive ai medici ed evidenzia le immagini con le regioni che contribuiscono ad un alto rischio di eventi avversi.

Il team ha poi testato il modello AI in due luoghi diversi con oltre 9.000 scansioni. Hanno scoperto che il modello di deep learning prevedeva il rischio del paziente in modo più accurato rispetto ai programmi software attualmente utilizzati in clinica.

“Nel primo studio siamo stati in grado di dimostrare che è possibile eseguire importanti correzioni delle immagini con l’intelligenza artificiale senza costosi scanner”, afferma Slomka. “In secondo luogo, mostriamo che le immagini esistenti possono essere utilizzate meglio – utilizzando immagini per prevedere il rischio di infarto o morte del paziente ed evidenziando le caratteristiche cardiache che indicano questo rischio – per informare meglio i medici sulla malattia coronarica”.

“Questi risultati rappresentano la prova di principio di come l’intelligenza artificiale può migliorare la diagnostica clinica”, ha affermato Sumeet Chugh, MD, direttore della Divisione di Intelligenza Artificiale in Medicina. “I miglioramenti all’imaging SPECT basati sull’intelligenza artificiale hanno il potenziale per migliorare l’accuratezza della diagnosi della malattia coronarica e allo stesso tempo vengono eseguiti in modo significativamente più veloce ed economico rispetto agli standard attuali”.

Ridurre i bias nei modelli di intelligenza artificiale

Il terzo studio, pubblicato sull’European Journal of Nuclear Medicine and Molecular Imaging, descrive come un sistema di intelligenza artificiale può essere addestrato per funzionare bene in tutte le popolazioni applicabili, non solo in quella per la quale il sistema è stato addestrato.

Alcuni sistemi di intelligenza artificiale sono addestrati su popolazioni di pazienti ad alto rischio, il che può indurre i sistemi a sovrastimare la probabilità della malattia. Per garantire che il modello di intelligenza artificiale funzioni in modo accurato per tutti i pazienti e riduca i bias, Slomka e il suo team hanno addestrato il sistema di intelligenza artificiale con variazioni simulate dei pazienti. Questo processo, chiamato aumento dei dati, aiuta a riflettere meglio il mix di pazienti che si prevede saranno sottoposti ai test di imaging.

Hanno scoperto che i modelli addestrati con un mix equilibrato di pazienti prevedevano in modo più accurato la probabilità di malattia coronarica nelle donne e nei pazienti a basso rischio, portando potenzialmente a test meno invasivi e diagnosi più accurate nelle donne.

I modelli hanno anche prodotto un minor numero di falsi positivi, suggerendo che il sistema potrebbe essere in grado di ridurre il numero di test a cui il paziente viene sottoposto per escludere la malattia.

“I risultati suggeriscono che il miglioramento dei dati di addestramento è fondamentale per garantire che le previsioni dell’intelligenza artificiale riflettano meglio la popolazione a cui verranno applicate in futuro”, ha affermato Slomka.

I ricercatori stanno ora valutando questi nuovi approcci all’intelligenza artificiale al Cedars-Sinai ed esplorando come potrebbero essere integrati nel software clinico e utilizzati nella cura standard dei pazienti.

La ricerca è stata finanziata in parte dal National Heart, Lung, and Blood Institute.

Fonte:

Cedri del Sinai

Riferimento:

Shanbhag, AD, et al. (2022) La correzione dell'attenuazione basata sull'apprendimento profondo migliora l'accuratezza diagnostica della SPECT cardiaca. Giornale di medicina nucleare. doi.org/10.2967/jnumed.122.264429.

.