AI modeļi uzlabo koronāro artēriju slimības diagnostikas precizitāti

AI modeļi uzlabo koronāro artēriju slimības diagnostikas precizitāti

Vairāki nesenie atklājumi liecina, ka koronāro artēriju slimības diagnostikas precizitāte un pacientu riska prognozēšana tiek uzlabota, izmantojot mākslīgā intelekta (AI) modeļus, ko izstrādājuši Cedars-Sinai Medicīnas Mākslīgā intelekta nodaļas zinātnieki.

Šie sasniegumi, ko vadīja PhD Pjotrs Slomka,Attēlveidošanas inovāciju direktors Cedars-Sinai un pētnieks Mākslīgā intelekta nodaļā medicīnā un Smidt Heart Institute palīdz atklāt un diagnosticēt vienu no visizplatītākajām un nāvējošākajām sirds slimībām.

Koronāro artēriju slimība ietekmē artērijas, kas piegādā asinis sirds muskuļiem. Ja to neārstē, tas var izraisīt sirdslēkmi vai citas komplikācijas, piemēram, sirds aritmijas vai sirds mazspēju.

Stāvoklis, kas skar aptuveni 16,3 miljonus amerikāņu vecumā no 20 gadiem, parasti tiek diagnosticēts, izmantojot viena fotona emisijas datortomogrāfiju (SPECT) un datortomogrāfiju (CT). Tomēr skenēšanas laikā iegūtos attēlus ne vienmēr ir viegli nolasīt.

"Mēs turpinām parādīt, ka mākslīgais intelekts var uzlabot attēlu kvalitāti un atklāt vairāk informācijas, tādējādi nodrošinot precīzākas slimību diagnozes," sacīja Slomka, kurš ir arī medicīnas un kardioloģijas profesors un vecākais autors trīs nesen publicētiem pētījumiem, kuros AI uzlabota sirds attēlveidošana.

AI izmantošana sirds attēlveidošanas uzlabošanai

Pirmajā pētījumā, kas publicēts Nuclear Medicine žurnālā, sirds attēlveidošanai tiek izmantota AI tehnoloģija, palīdzot uzlabot koronāro artēriju slimības SPECT attēlveidošanas diagnostikas precizitāti, izmantojot uzlabotas attēla korekcijas.

Vājināšanās korekcija ir svarīga SPECT attēlveidošanā, palīdzot samazināt artefaktus sirds attēlos un padarot tos vieglāk lasāmus un precīzākus. Tomēr tam ir nepieciešama papildu CT skenēšana un dārgas hibrīda SPECT/CT iekārtas, kas būtībā ir divi skeneri vienā.

Lai gan ir pierādīts, ka CT vājināšanās korekcija uzlabo koronāro artēriju slimības diagnozi, pašlaik tā tiek veikta tikai nelielai daļai skenējumu papildu skenēšanas laika, starojuma un šīs dārgās tehnoloģijas ierobežotās pieejamības dēļ.

Lai pārvarētu šos šķēršļus, Slomka un viņa komanda izstrādāja dziļas mācīšanās modeli ar nosaukumu DeepAC, lai ģenerētu koriģētus SPECT attēlus, neizmantojot dārgus hibrīda skenerus. Šie attēli tiek ģenerēti ar mākslīgā intelekta tehnoloģijām, kas ir līdzīgas tām, ko izmanto “dziļu viltus” video ģenerēšanai, un tie var simulēt augstas kvalitātes attēlus, kas iegūti no hibrīdiem SPECT/CT skeneriem.

Komanda salīdzināja koronāro artēriju slimības diagnostikas precizitāti ar nekoriģētiem SPECT attēliem, ko mūsdienās izmanto lielākajā daļā vietu, uzlabotiem hibrīda SPECT/CT attēliem un jauniem AI koriģētiem attēliem neredzētos datos no centriem, kas nekad netika izmantoti DeepAC apmācībā.

Viņi atklāja, ka mākslīgais intelekts izveidoja gandrīz tādas pašas kvalitātes attēlus un nodrošināja līdzīgu diagnostikas precizitāti kā tiem, kas iegūti ar dārgākiem skeneriem.

Šis AI modelis spēja ģenerēt DeepAC attēlus sekundes daļās standarta datorprogrammatūrā, un to varēja viegli ieviest klīniskajās darbplūsmās kā automatizētu priekšapstrādes soli.

Pjotrs Slomka, PhD,Attēlveidošanas inovāciju direktors, Cedars-Sinai

Galveno nevēlamo sirdsdarbības traucējumu prognozēšana

Otrajā pētījumā, kas publicēts American College of Cardiology: Cardiovascular Imaging, komanda parādīja, ka dziļas mācīšanās AI ļauj paredzēt nopietnus nevēlamus sirdsdarbības notikumus, piemēram, nāvi un sirdslēkmi tieši no SPECT attēliem.

Izmeklētāji apmācīja AI modeli, izmantojot lielu daudznacionālu datubāzi, kurā bija iekļautas piecas dažādas vietas ar vairāk nekā 20 000 pacientu skenēšanu. Tajā bija attēli, kas attēlo sirds perfūziju un kustību katram pacientam.

AI modelis sniedz vizuālus skaidrojumus ārstiem un izceļ attēlus ar reģioniem, kas veicina augstu nevēlamo notikumu risku.

Pēc tam komanda pārbaudīja AI modeli divās dažādās vietās ar vairāk nekā 9000 skenēšanu. Viņi atklāja, ka dziļās mācīšanās modelis paredzēja pacienta risku precīzāk nekā programmatūras programmas, kas pašlaik tiek izmantotas klīnikā.

"Pirmajā pētījumā mēs varējām parādīt, ka svarīgas attēla korekcijas var veikt ar AI bez dārgiem skeneriem," saka Slomka. "Otrkārt, mēs parādām, ka esošos attēlus var izmantot labāk - izmantojot attēlus, lai prognozētu pacienta sirdslēkmes vai nāves risku un izceļot sirds īpašības, kas norāda uz šo risku - lai labāk informētu klīnikas speciālistus par koronāro sirds slimību."

"Šie rezultāti ir principa pierādījums tam, kā AI var uzlabot klīnisko diagnostiku," sacīja Sumeet Chugh, MD, Mākslīgā intelekta nodaļas medicīnā direktors. "Ar AI darbināmi uzlabojumi SPECT attēlveidošanā var uzlabot koronāro artēriju slimības diagnostikas precizitāti, vienlaikus veicot ievērojami ātrāk un lētāk nekā pašreizējie standarti."

Neobjektivitātes samazināšana AI modeļos

Trešajā pētījumā, kas publicēts Eiropas Kodolmedicīnas un molekulārās attēlveidošanas žurnālā, ir aprakstīts, kā AI sistēmu var apmācīt, lai tā labi darbotos visās piemērojamās populācijās - ne tikai tajā populācijā, kurai sistēma tika apmācīta.

Dažas AI sistēmas ir apmācītas augsta riska pacientu grupām, kas var likt sistēmām pārvērtēt slimības iespējamību. Lai nodrošinātu, ka AI modelis darbojas precīzi visiem pacientiem un samazina neobjektivitāti, Slomka un viņa komanda apmācīja AI sistēmu ar simulētām pacientu variācijām. Šis process, ko sauc par datu palielināšanu, palīdz labāk atspoguļot to pacientu kopumu, kuriem paredzēts veikt attēlveidošanas testus.

Viņi atklāja, ka modeļi, kas apmācīti ar līdzsvarotu pacientu kombināciju, precīzāk prognozēja koronāro artēriju slimības iespējamību sievietēm un zema riska pacientiem, kas, iespējams, novedīs pie mazāk invazīvas pārbaudes un precīzākas diagnozes sievietēm.

Modeļi arī radīja mazāk viltus pozitīvu rezultātu, kas liecina, ka sistēma var samazināt pacientam veikto testu skaitu, lai izslēgtu slimību.

"Rezultāti liecina, ka apmācības datu uzlabošana ir ļoti svarīga, lai nodrošinātu, ka AI prognozes labāk atspoguļo iedzīvotāju skaitu, kam tie tiks piemēroti nākotnē," sacīja Slomka.

Pētnieki tagad novērtē šīs jaunās AI pieejas Cedars-Sinai un pēta, kā tās varētu integrēt klīniskajā programmatūrā un izmantot standarta pacientu aprūpē.

Pētījumu daļēji atbalstīja Nacionālais sirds, plaušu un asins institūts.

Avots:

Ciedrs Sinaja

Atsauce:

Shanbhag, AD, et al. (2022) Uz dziļu mācīšanos balstīta vājinājuma korekcija uzlabo sirds SPECT diagnostisko precizitāti. Kodolmedicīnas žurnāls. doi.org/10.2967/jnumed.122.264429.

.