AI-modeller forbedrer nøyaktigheten ved diagnostisering av koronararteriesykdom

AI-modeller forbedrer nøyaktigheten ved diagnostisering av koronararteriesykdom

Flere nyere funn viser at nøyaktigheten av å diagnostisere koronararteriesykdom og forutsi pasientrisiko blir forbedret ved hjelp av kunstig intelligens (AI)-modeller utviklet av forskere i avdelingen for kunstig intelligens i medisin ved Cedars-Sinai.

Disse fremskrittene, ledet av Piotr Slomka, PhD,Direktør for innovasjon i bildebehandling ved Cedars-Sinai og forsker i avdelingen for kunstig intelligens i medisin og Smidt Heart Institute, letter påvisning og diagnostisering av en av de vanligste og mest dødelige hjertesykdommene.

Koronarsykdom påvirker arteriene som leverer blod til hjertemuskelen. Hvis det ikke behandles, kan det føre til hjerteinfarkt eller andre komplikasjoner som hjertearytmier eller hjertesvikt.

Tilstanden, som rammer omtrent 16,3 millioner amerikanere i alderen 20 år og eldre, diagnostiseres vanligvis ved hjelp av enkeltfoton-utslipp computertomografi (SPECT) og computertomografi (CT). Bildene som produseres ved skanning er imidlertid ikke alltid enkle å lese.

"Vi fortsetter å vise at AI kan forbedre kvaliteten på bilder og avsløre mer informasjon, noe som fører til mer nøyaktige sykdomsdiagnoser," sa Slomka, som også er professor i medisin og kardiologi og seniorforfatter av tre nylig publiserte studier som bruker AI for å forbedre hjerteavbildning.

Bruke AI for å forbedre hjerteavbildning

Den første studien, publisert i Journal of Nuclear Medicine, bruker AI-teknologi for hjerteavbildning, og bidrar til å forbedre den diagnostiske nøyaktigheten til SPECT-avbildning for koronararteriesykdom gjennom avanserte bildekorreksjoner.

Dempningskorrigering er viktig i SPECT-avbildning, og bidrar til å redusere artefakter i hjertebilder og gjør dem lettere å lese og mer nøyaktige. Det krever imidlertid en ekstra CT-skanning og dyre hybrid SPECT/CT-maskiner, som i hovedsak er to skannere i en.

Mens CT-dempingskorreksjon har vist seg å forbedre diagnosen koronararteriesykdom, utføres den foreløpig bare på et mindretall av skanningene på grunn av ekstra skanningstid, stråling og begrenset tilgjengelighet av denne dyre teknologien.

For å overvinne disse hindringene utviklet Slomka og teamet hans en dyplæringsmodell kalt DeepAC for å generere korrigerte SPECT-bilder uten behov for dyre hybridskannere. Disse bildene er generert av AI-teknikker som ligner på de som brukes til å generere "dyp falske" videoer og kan simulere høykvalitetsbilder hentet fra hybrid SPECT/CT-skannere.

Teamet sammenlignet den diagnostiske nøyaktigheten av koronararteriesykdom med ukorrigerte SPECT-bilder som brukes de fleste steder i dag, avanserte hybrid SPECT/CT-bilder og nye AI-korrigerte bilder i usynlige data fra sentre som aldri ble brukt i DeepAC-trening.

De fant at AI skapte bilder som hadde nesten samme kvalitet og muliggjorde lignende diagnostisk nøyaktighet som de som ble oppnådd med dyrere skannere.

Denne AI-modellen var i stand til å generere DeepAC-bilder på brøkdeler av et sekund på standard dataprogramvare og kunne enkelt implementeres i kliniske arbeidsflyter som et automatisert forhåndsbehandlingstrinn."

Piotr Slomka, PhD,Direktør for Imaging Innovation, Cedars-Sinai

Forutsigelse av alvorlige uønskede hjertehendelser

I den andre studien, publisert i Journal of American College of Cardiology: Cardiovascular Imaging, viste teamet at dyp læring AI gjør det mulig å forutsi store uønskede hjertehendelser som død og hjerteinfarkt direkte fra SPECT-bilder.

Etterforskere trente AI-modellen ved å bruke en stor multinasjonal database som inkluderte fem forskjellige lokasjoner med over 20 000 pasientskanninger. Den inneholdt bilder som skildrer hjerteperfusjon og bevegelse for hver pasient.

AI-modellen gir visuelle forklaringer for legene og fremhever bildene med regionene som bidrar til høy risiko for uønskede hendelser.

Teamet testet deretter AI-modellen på to forskjellige steder med over 9000 skanninger. De fant at dyplæringsmodellen forutså pasientrisiko mer nøyaktig enn programvare som brukes i klinikken.

"I den første studien var vi i stand til å vise at viktige bildekorreksjoner kan utføres med AI uten dyre skannere," sier Slomka. "For det andre viser vi at eksisterende bilder kan brukes bedre - ved å bruke bilder for å forutsi pasientens risiko for hjerteinfarkt eller død og fremheve kardiale funksjoner som indikerer denne risikoen - for å bedre informere klinikere om koronar hjertesykdom."

"Disse resultatene representerer prinsippbevis for hvordan AI kan forbedre klinisk diagnostikk," sa Sumeet Chugh, MD, direktør for avdelingen for kunstig intelligens i medisin. "AI-drevne forbedringer av SPECT-bildebehandling har potensial til å forbedre nøyaktigheten av diagnostisering av koronararteriesykdom samtidig som de utføres betydelig raskere og billigere enn gjeldende standarder."

Reduser skjevhet i AI-modeller

Den tredje studien, publisert i European Journal of Nuclear Medicine and Molecular Imaging, beskriver hvordan et AI-system kan trenes til å fungere godt i alle aktuelle populasjoner – ikke bare befolkningen som systemet ble trent for.

Noen AI-systemer er trent på pasientpopulasjoner med høy risiko, noe som kan føre til at systemer overvurderer sannsynligheten for sykdom. For å sikre at AI-modellen fungerer nøyaktig for alle pasienter og reduserer skjevhet, trente Slomka og teamet hans AI-systemet med simulerte variasjoner av pasienter. Denne prosessen, kalt dataforsterkning, bidrar til å bedre gjenspeile blandingen av pasienter som forventes å gjennomgå avbildningstestene.

De fant at modellene som ble trent med en balansert blanding av pasienter mer nøyaktig forutså sannsynligheten for koronarsykdom hos kvinner og lavrisikopasienter, noe som potensielt kunne føre til mindre invasiv testing og mer nøyaktig diagnose hos kvinner.

Modellene resulterte også i færre falske positive, noe som tyder på at systemet kan være i stand til å redusere antall tester pasienten gjennomgår for å utelukke sykdommen.

"Resultatene tyder på at forbedring av treningsdata er avgjørende for å sikre at AI-spådommer bedre gjenspeiler populasjonen de brukes på i fremtiden," sa Slomka.

Forskere evaluerer nå disse nye AI-tilnærmingene ved Cedars-Sinai og utforsker hvordan de kan integreres i klinisk programvare og brukes i standard pasientbehandling.

Forskningen ble delvis støttet av National Heart, Lung, and Blood Institute.

Kilde:

Sinai sedertre

Referanse:

Shanbhag, AD, et al. (2022) Dyplæringsbasert dempningskorreksjon forbedrer den diagnostiske nøyaktigheten til hjerte SPECT. Journal of Nuclear Medicine. doi.org/10.2967/jnumed.122.264429.

.