AI-modellen verbeteren de nauwkeurigheid van het diagnosticeren van coronaire hartziekte

AI-modellen verbeteren de nauwkeurigheid van het diagnosticeren van coronaire hartziekte

Verschillende recente ontdekkingen laten zien dat de nauwkeurigheid van het diagnosticeren van coronaire hartziekten en het voorspellen van het risico voor patiënten wordt verbeterd met behulp van kunstmatige intelligentie (AI)-modellen die zijn ontwikkeld door wetenschappers van de afdeling Kunstmatige Intelligentie in de Geneeskunde van Cedars-Sinai.

Deze vooruitgang, geleid door Piotr Slomka, PhD,Directeur Innovation in Imaging bij Cedars-Sinai en onderzoekswetenschapper bij de afdeling Artificial Intelligence in Medicine en het Smidt Heart Institute, faciliteren de detectie en diagnose van een van de meest voorkomende en dodelijke hartziekten.

Coronaire hartziekte beïnvloedt de slagaders die bloed aan de hartspier leveren. Als het onbehandeld blijft, kan dit leiden tot een hartaanval of andere complicaties, zoals hartritmestoornissen of hartfalen.

De aandoening, die ongeveer 16,3 miljoen Amerikanen van 20 jaar en ouder treft, wordt vaak gediagnosticeerd met behulp van computertomografie met single photon-emissie (SPECT) en computertomografie (CT). De door het scannen geproduceerde afbeeldingen zijn echter niet altijd gemakkelijk te lezen.

“We blijven aantonen dat AI de kwaliteit van beelden kan verbeteren en meer informatie kan onthullen, wat leidt tot nauwkeurigere ziektediagnoses”, zegt Slomka, tevens hoogleraar geneeskunde en cardiologie en senior auteur van drie onlangs gepubliceerde onderzoeken waarbij AI wordt gebruikt om cardiale beeldvorming te verbeteren.

AI gebruiken om cardiale beeldvorming te verbeteren

De eerste studie, gepubliceerd in de Journal of Nuclear Medicine, maakt gebruik van AI-technologie voor cardiale beeldvorming, waardoor de diagnostische nauwkeurigheid van SPECT-beeldvorming voor coronaire hartziekten wordt verbeterd door middel van geavanceerde beeldcorrecties.

Dempingscorrectie is belangrijk bij SPECT-beeldvorming, waardoor artefacten in hartbeelden worden verminderd en deze gemakkelijker leesbaar en nauwkeuriger worden. Het vereist echter een extra CT-scan en dure hybride SPECT/CT-machines, die in wezen twee scanners in één zijn.

Hoewel is aangetoond dat CT-verzwakkingscorrectie de diagnose van coronaire hartziekte verbetert, wordt deze momenteel slechts op een minderheid van de scans uitgevoerd vanwege extra scantijd, straling en beperkte beschikbaarheid van deze dure technologie.

Om deze obstakels te overwinnen, ontwikkelden Slomka en zijn team een ​​deep learning-model genaamd DeepAC om gecorrigeerde SPECT-beelden te genereren zonder de noodzaak van dure hybride scanners. Deze beelden worden gegenereerd door AI-technieken die vergelijkbaar zijn met de technieken die worden gebruikt om ‘deep fake’-video’s te genereren en kunnen beelden van hoge kwaliteit simuleren die zijn verkregen met hybride SPECT/CT-scanners.

Het team vergeleek de diagnostische nauwkeurigheid van coronaire hartziekte met ongecorrigeerde SPECT-beelden die tegenwoordig op de meeste plaatsen worden gebruikt, geavanceerde hybride SPECT/CT-beelden en nieuwe AI-gecorrigeerde beelden in ongeziene gegevens van centra die nooit zijn gebruikt bij DeepAC-training.

Ze ontdekten dat AI beelden creëerde die bijna dezelfde kwaliteit hadden en een vergelijkbare diagnostische nauwkeurigheid mogelijk maakten als die verkregen met duurdere scanners.

Dit AI-model was in staat om DeepAC-beelden in fracties van een seconde te genereren op standaard computersoftware en kon eenvoudig worden geïmplementeerd in klinische workflows als een geautomatiseerde voorverwerkingsstap.”

Piotr Slomka, PhD,Directeur Imaging Innovation, Cedars-Sinai

Voorspelling van ernstige ongunstige cardiale gebeurtenissen

In de tweede studie, gepubliceerd in het Journal of American College of Cardiology: Cardiovascular Imaging, toonde het team aan dat deep learning AI het mogelijk maakt om grote ongunstige cardiale gebeurtenissen zoals overlijden en een hartaanval rechtstreeks op basis van SPECT-beelden te voorspellen.

Onderzoekers trainden het AI-model met behulp van een grote multinationale database die vijf verschillende locaties omvatte met meer dan 20.000 patiëntenscans. Het bevatte afbeeldingen van de cardiale perfusie en beweging voor elke patiënt.

Het AI-model geeft visuele uitleg voor de artsen en benadrukt de beelden met de regio’s die bijdragen aan een hoog risico op bijwerkingen.

Vervolgens testte het team het AI-model op twee verschillende locaties met ruim 9.000 scans. Ze ontdekten dat het deep learning-model het patiëntrisico nauwkeuriger voorspelde dan softwareprogramma's die momenteel in de kliniek worden gebruikt.

“In het eerste onderzoek konden we laten zien dat belangrijke beeldcorrecties met AI kunnen worden uitgevoerd zonder dure scanners”, zegt Slomka. "Ten tweede laten we zien dat bestaande beelden beter kunnen worden gebruikt - door beelden te gebruiken om het risico van de patiënt op een hartaanval of overlijden te voorspellen en de cardiale kenmerken te benadrukken die op dit risico wijzen - om artsen beter te informeren over coronaire hartziekten."

“Deze resultaten vormen het bewijs van het principe van hoe AI de klinische diagnostiek kan verbeteren”, zegt Sumeet Chugh, MD, directeur van de afdeling Kunstmatige Intelligentie in de Geneeskunde. “AI-aangedreven verbeteringen aan SPECT-beeldvorming hebben het potentieel om de nauwkeurigheid van de diagnose van coronaire hartziekte te verbeteren, terwijl ze aanzienlijk sneller en goedkoper worden uitgevoerd dan de huidige normen.”

Vooroordelen in AI-modellen verminderen

De derde studie, gepubliceerd in het European Journal of Nuclear Medicine and Molecular Imaging, beschrijft hoe een AI-systeem kan worden getraind om goed te werken in alle toepasselijke populaties – niet alleen de populatie waarvoor het systeem is getraind.

Sommige AI-systemen zijn getraind op patiëntenpopulaties met een hoog risico, waardoor systemen de kans op ziekten kunnen overschatten. Om ervoor te zorgen dat het AI-model nauwkeurig werkt voor alle patiënten en vooroordelen vermindert, hebben Slomka en zijn team het AI-systeem getraind met gesimuleerde variaties van patiënten. Dit proces, dat data-augmentatie wordt genoemd, helpt de mix van patiënten die naar verwachting de beeldvormingstests zullen ondergaan, beter weer te geven.

Ze ontdekten dat de modellen die waren getraind met een evenwichtige mix van patiënten de waarschijnlijkheid van coronaire hartziekte bij vrouwen en patiënten met een laag risico nauwkeuriger voorspelden, wat mogelijk kon leiden tot minder invasieve tests en een nauwkeurigere diagnose bij vrouwen.

De modellen resulteerden ook in minder valse positieven, wat erop wijst dat het systeem mogelijk het aantal tests dat de patiënt ondergaat kan verminderen om de ziekte uit te sluiten.

“De resultaten suggereren dat het verbeteren van trainingsgegevens van cruciaal belang is om ervoor te zorgen dat AI-voorspellingen een betere afspiegeling zijn van de populatie waarop ze in de toekomst worden toegepast”, aldus Slomka.

Onderzoekers evalueren nu deze nieuwe AI-benaderingen bij Cedars-Sinai en onderzoeken hoe ze kunnen worden geïntegreerd in klinische software en kunnen worden gebruikt in de standaard patiëntenzorg.

Het onderzoek werd gedeeltelijk ondersteund door het National Heart, Lung, and Blood Institute.

Bron:

Ceders Sinaï

Referentie:

Shanbhag, AD, et al. (2022) Op diepgaand leren gebaseerde dempingscorrectie verbetert de diagnostische nauwkeurigheid van cardiale SPECT. Tijdschrift voor nucleaire geneeskunde. doi.org/10.2967/jnumed.122.264429.

.