AI modeliai pagerina vainikinių arterijų ligos diagnozavimo tikslumą

AI modeliai pagerina vainikinių arterijų ligos diagnozavimo tikslumą

Keletas naujausių atradimų rodo, kad vainikinių arterijų ligos diagnozavimo tikslumas ir pacientų rizikos prognozavimas gerinamas naudojant dirbtinio intelekto (AI) modelius, kuriuos sukūrė Cedars-Sinai Medicinos dirbtinio intelekto skyriaus mokslininkai.

Šie pažanga, vadovaujama Piotr Slomka, PhD,„Cedars-Sinai“ vaizdo gavimo inovacijų direktorius ir medicinos dirbtinio intelekto skyriaus bei Smidto širdies instituto mokslininkas padeda nustatyti ir diagnozuoti vieną iš labiausiai paplitusių ir mirtinų širdies ligų.

Vainikinių arterijų liga pažeidžia arterijas, kurios aprūpina krauju širdies raumenį. Negydoma gali sukelti širdies priepuolį ar kitas komplikacijas, tokias kaip širdies aritmija ar širdies nepakankamumas.

Būklė, kuria serga maždaug 16,3 milijono 20 metų ir vyresnių amerikiečių, dažniausiai diagnozuojama naudojant vieno fotono emisijos kompiuterinę tomografiją (SPECT) ir kompiuterinę tomografiją (KT). Tačiau nuskaitymo būdu gautus vaizdus ne visada lengva perskaityti.

"Mes ir toliau rodome, kad dirbtinis intelektas gali pagerinti vaizdų kokybę ir atskleisti daugiau informacijos, todėl galima tiksliau diagnozuoti ligas", - sakė Slomka, kuris taip pat yra medicinos ir kardiologijos profesorius bei vyresnysis trijų neseniai paskelbtų tyrimų, kuriuose dirbtinis intelektas naudojamas širdies vaizdavimui pagerinti, autorius.

AI naudojimas širdies vaizdavimui pagerinti

Pirmajame tyrime, paskelbtame Branduolinės medicinos žurnale, širdies vaizdavimui naudojama AI technologija, padedanti pagerinti vainikinių arterijų ligos SPECT vaizdavimo diagnostinį tikslumą taikant pažangias vaizdo korekcijas.

Silpnumo korekcija yra svarbi SPECT vaizdavimui, nes ji padeda sumažinti širdies vaizdų artefaktus ir padaryti juos lengviau skaitomus bei tikslesnius. Tačiau tam reikalingas papildomas KT skenavimas ir brangūs hibridiniai SPECT/CT aparatai, kurie iš esmės yra du skaitytuvai viename.

Nors buvo įrodyta, kad kompiuterinės tomografijos slopinimo korekcija pagerina vainikinių arterijų ligos diagnozę, šiuo metu dėl papildomo nuskaitymo laiko, spinduliuotės ir riboto šios brangios technologijos prieinamumo ji atliekama tik nedaugelyje nuskaitymų.

Siekdamas įveikti šias kliūtis, Slomka ir jo komanda sukūrė giluminio mokymosi modelį, vadinamą DeepAC, kad generuotų pataisytus SPECT vaizdus, ​​​​nereikia brangių hibridinių skaitytuvų. Šie vaizdai generuojami naudojant dirbtinio intelekto metodus, panašius į tuos, kurie naudojami kuriant „gilius netikrus“ vaizdo įrašus, ir gali imituoti aukštos kokybės vaizdus, ​​gautus iš hibridinių SPECT/CT skaitytuvų.

Grupė palygino koronarinės arterijos ligos diagnostinį tikslumą su nekoreguotais SPECT vaizdais, naudojamais daugumoje šiandienos vietų, pažangiais hibridiniais SPECT / CT vaizdais ir naujais AI pakoreguotais vaizdais nematytuose centrų duomenyse, kurie niekada nebuvo naudojami DeepAC mokymuose.

Jie nustatė, kad dirbtinis intelektas sukūrė beveik tokios pat kokybės vaizdus ir įgalino panašų diagnostikos tikslumą, kaip ir naudojant brangesnius skaitytuvus.

Šis AI modelis galėjo generuoti DeepAC vaizdus per sekundės dalis standartinėje kompiuterio programinėje įrangoje ir gali būti lengvai įtrauktas į klinikines darbo eigas kaip automatinis išankstinio apdorojimo veiksmas.

Piotras Slomka, mokslų daktaras,Vaizdo gavimo inovacijų direktorius, Cedars-Sinai

Didelių nepageidaujamų širdies reiškinių numatymas

Antrajame tyrime, paskelbtame Amerikos kardiologijos koledžo žurnale: Cardiovascular Imaging, komanda parodė, kad gilaus mokymosi AI leidžia numatyti didelius nepageidaujamus širdies reiškinius, tokius kaip mirtis ir širdies priepuolis, tiesiogiai iš SPECT vaizdų.

Tyrėjai apmokė dirbtinio intelekto modelį naudodami didelę tarptautinę duomenų bazę, kurioje buvo penkios skirtingos vietos su daugiau nei 20 000 pacientų nuskaitymų. Jame buvo vaizdai, vaizduojantys kiekvieno paciento širdies perfuziją ir judėjimą.

AI modelis pateikia vaizdinius paaiškinimus gydytojams ir išryškina vaizdus su regionais, kurie prisideda prie didelės nepageidaujamų įvykių rizikos.

Tada komanda išbandė AI modelį dviejose skirtingose ​​vietose atlikdama daugiau nei 9000 nuskaitymų. Jie nustatė, kad gilaus mokymosi modelis tiksliau numatė paciento riziką nei šiuo metu klinikoje naudojamos programinės įrangos programos.

„Pirmajame tyrime galėjome parodyti, kad svarbias vaizdo pataisas galima atlikti naudojant AI be brangių skaitytuvų“, – sako Slomka. „Antra, parodome, kad esamus vaizdus galima geriau panaudoti – naudojant vaizdus numatant paciento širdies priepuolio ar mirties riziką ir išryškinant širdies ypatybes, rodančias šią riziką – geriau informuoti gydytojus apie koronarinę širdies ligą.

"Šie rezultatai yra principo įrodymas, kaip AI gali pagerinti klinikinę diagnostiką", - sakė Sumeet Chugh, MD, Dirbtinio intelekto medicinos skyriaus direktorius. „AI patobulinti SPECT vaizdavimo patobulinimai gali pagerinti vainikinių arterijų ligos diagnozavimo tikslumą, o atliekami žymiai greičiau ir pigiau nei dabartiniai standartai.

AI modelių šališkumo mažinimas

Trečiajame tyrime, paskelbtame European Journal of Nuclear Medicine and Molecular Imaging, aprašoma, kaip dirbtinio intelekto sistemą galima išmokyti gerai veikti visose atitinkamose populiacijose – ne tik toje populiacijoje, kuriai sistema buvo parengta.

Kai kurios AI sistemos yra apmokytos didelės rizikos pacientų grupėms, todėl sistemos gali pervertinti ligos tikimybę. Siekdami užtikrinti, kad AI modelis tiksliai veiktų visiems pacientams ir sumažintų šališkumą, Slomka ir jo komanda apmokė dirbtinio intelekto sistemą su modeliuojamais pacientų variantais. Šis procesas, vadinamas duomenų papildymu, padeda geriau atspindėti pacientų, kuriems tikimasi atlikti vaizdo gavimo testus, derinį.

Jie nustatė, kad modeliai, apmokyti su subalansuotu pacientų deriniu, tiksliau numatė vainikinių arterijų ligos tikimybę moterims ir mažos rizikos pacientams, todėl moterims gali būti atliekami mažiau invaziniai tyrimai ir tikslesnė diagnozė.

Modeliai taip pat lėmė mažiau klaidingų teigiamų rezultatų, o tai rodo, kad sistema gali sumažinti paciento atliekamų tyrimų skaičių, kad būtų išvengta ligos.

„Rezultatai rodo, kad mokymo duomenų tobulinimas yra labai svarbus siekiant užtikrinti, kad AI prognozės geriau atspindėtų populiaciją, kuriai jos bus taikomos ateityje“, – sakė Slomka.

Tyrėjai dabar vertina šiuos naujus AI metodus Cedars-Sinai ir tiria, kaip juos būtų galima integruoti į klinikinę programinę įrangą ir naudoti standartinėje pacientų priežiūroje.

Tyrimą iš dalies palaikė Nacionalinis širdies, plaučių ir kraujo institutas.

Šaltinis:

Sinajaus kedrai

Nuoroda:

Shanbhag, AD ir kt. (2022) Giluminiu mokymusi pagrįsta slopinimo korekcija pagerina širdies SPECT diagnostinį tikslumą. Branduolinės medicinos žurnalas. doi.org/10.2967/jnumed.122.264429.

.