Modele AI poprawiają dokładność diagnozowania choroby wieńcowej

Modele AI poprawiają dokładność diagnozowania choroby wieńcowej

Kilka ostatnich odkryć pokazuje, że dokładność diagnozowania choroby wieńcowej i przewidywania ryzyka dla pacjenta ulega poprawie dzięki zastosowaniu modeli sztucznej inteligencji (AI) opracowanych przez naukowców z Wydziału Sztucznej Inteligencji w Medycynie w Cedars-Sinai.

Postępy te, kierowane przez dr Piotra Słomkę,Dyrektor ds. innowacji w obrazowaniu w Cedars-Sinai i pracownik naukowy w Zakładzie Sztucznej Inteligencji w Medycynie oraz w Smidt Heart Institute ułatwiają wykrywanie i diagnozowanie jednej z najczęstszych i najbardziej śmiertelnych chorób serca.

Choroba wieńcowa wpływa na tętnice dostarczające krew do mięśnia sercowego. Nieleczona może prowadzić do zawału serca lub innych powikłań, takich jak zaburzenia rytmu serca lub niewydolność serca.

Schorzenie to, które dotyka około 16,3 miliona Amerykanów w wieku 20 lat i starszych, jest powszechnie diagnozowane za pomocą tomografii emisyjnej pojedynczego fotonu (SPECT) i tomografii komputerowej (CT). Jednak obrazy powstałe w wyniku skanowania nie zawsze są łatwe do odczytania.

„W dalszym ciągu pokazujemy, że sztuczna inteligencja może poprawić jakość obrazów i ujawnić więcej informacji, co może prowadzić do dokładniejszych diagnoz chorób” – powiedział Slomka, który jest także profesorem medycyny i kardiologii oraz głównym autorem trzech niedawno opublikowanych badań wykorzystujących sztuczną inteligencję do poprawy obrazowania serca.

Wykorzystanie sztucznej inteligencji do poprawy obrazowania serca

Pierwsze badanie, opublikowane w Journal of Nuclear Medicine, wykorzystuje technologię sztucznej inteligencji do obrazowania serca, pomagając poprawić dokładność diagnostyczną obrazowania SPECT w przypadku choroby wieńcowej dzięki zaawansowanej korekcji obrazu.

Korekta tłumienia jest ważna w obrazowaniu SPECT, ponieważ pomaga zredukować artefakty na obrazach serca i czyni je łatwiejszymi do odczytania i dokładniejszymi. Wymaga jednak dodatkowego tomografii komputerowej i drogich hybrydowych aparatów SPECT/CT, które w zasadzie są dwoma skanerami w jednym.

Chociaż wykazano, że korekcja tłumienia CT poprawia diagnostykę choroby wieńcowej, obecnie przeprowadza się ją jedynie w przypadku niewielkiej liczby skanów ze względu na dodatkowy czas skanowania, promieniowanie i ograniczoną dostępność tej drogiej technologii.

Aby pokonać te przeszkody, Slomka i jego zespół opracowali model głębokiego uczenia się o nazwie DeepAC, który umożliwia generowanie poprawionych obrazów SPECT bez konieczności stosowania drogich skanerów hybrydowych. Obrazy te są generowane przy użyciu technik sztucznej inteligencji podobnych do tych stosowanych do generowania „deep fałszywych” filmów i mogą symulować wysokiej jakości obrazy uzyskane z hybrydowych skanerów SPECT/CT.

Zespół porównał dokładność diagnostyczną choroby wieńcowej z nieskorygowanymi obrazami SPECT używanymi obecnie w większości miejsc, zaawansowanymi hybrydowymi obrazami SPECT/CT i nowymi obrazami skorygowanymi przez sztuczną inteligencję w niewidocznych danych z ośrodków, które nigdy nie były wykorzystywane w szkoleniach DeepAC.

Odkryli, że sztuczna inteligencja tworzyła obrazy o niemal tej samej jakości i zapewniającej podobną dokładność diagnostyczną, jak te uzyskiwane za pomocą droższych skanerów.

Ten model sztucznej inteligencji był w stanie wygenerować obrazy DeepAC w ułamku sekundy przy użyciu standardowego oprogramowania komputerowego i można go było łatwo wdrożyć w procesach klinicznych jako zautomatyzowany etap wstępnego przetwarzania”.

Piotr Słomka, dr hab,Dyrektor ds. innowacji w obrazowaniu, Cedars-Sinai

Przewidywanie poważnych niepożądanych zdarzeń sercowych

W drugim badaniu, opublikowanym w czasopiśmie Journal of American College of Cardiology: Cardionaczyniowe Imaging, zespół wykazał, że sztuczna inteligencja oparta na głębokim uczeniu umożliwia przewidywanie głównych niekorzystnych zdarzeń sercowych, takich jak śmierć i zawał serca, bezpośrednio na podstawie obrazów SPECT.

Badacze przeszkolili model sztucznej inteligencji, korzystając z dużej międzynarodowej bazy danych obejmującej pięć różnych lokalizacji z ponad 20 000 skanów pacjentów. Zawierał obrazy przedstawiające perfuzję serca i ruch każdego pacjenta.

Model AI zapewnia lekarzom wizualne wyjaśnienia i wyróżnia obrazy regionami, które przyczyniają się do wysokiego ryzyka wystąpienia zdarzeń niepożądanych.

Następnie zespół przetestował model sztucznej inteligencji w dwóch różnych lokalizacjach, wykonując ponad 9000 skanów. Odkryli, że model głębokiego uczenia się przewidywał ryzyko pacjenta dokładniej niż programy stosowane obecnie w klinice.

„W pierwszym badaniu udało nam się wykazać, że ważne korekty obrazu można przeprowadzić za pomocą sztucznej inteligencji bez drogich skanerów” – mówi Slomka. „Po drugie, pokazujemy, że istniejące obrazy można lepiej wykorzystać – wykorzystując je do przewidywania ryzyka zawału serca lub śmierci u pacjenta i podkreślając cechy serca wskazujące na to ryzyko – aby lepiej informować lekarzy o chorobie niedokrwiennej serca”.

„Te wyniki stanowią dowód na to, w jaki sposób sztuczna inteligencja może ulepszyć diagnostykę kliniczną” – powiedział Sumeet Chugh, lekarz medycyny, dyrektor Oddziału Sztucznej Inteligencji w Medycynie. „Udoskonalenia obrazowania SPECT oparte na sztucznej inteligencji mogą potencjalnie poprawić dokładność diagnozowania choroby wieńcowej, a jednocześnie przeprowadzać ją znacznie szybciej i taniej niż obecne standardy”.

Zmniejszanie błędu systematycznego w modelach AI

Trzecie badanie, opublikowane w European Journal of Nuclear Medicine and Molecular Imaging, opisuje, w jaki sposób można wyszkolić system sztucznej inteligencji, aby działał dobrze we wszystkich odpowiednich populacjach – nie tylko w populacji, dla której system został przeszkolony.

Niektóre systemy sztucznej inteligencji są szkolone na populacjach pacjentów wysokiego ryzyka, co może powodować przeszacowanie prawdopodobieństwa wystąpienia choroby. Aby mieć pewność, że model sztucznej inteligencji działa dokładnie w przypadku wszystkich pacjentów i zmniejsza stronniczość, Slomka i jego zespół przeszkolili system sztucznej inteligencji z symulowanymi odmianami pacjentów. Proces ten, zwany powiększaniem danych, pomaga lepiej odzwierciedlić grupę pacjentów, którzy mają zostać poddani badaniom obrazowym.

Odkryli, że modele przeszkolone na zrównoważonej grupie pacjentów dokładniej przewidywały prawdopodobieństwo wystąpienia choroby wieńcowej u kobiet i pacjentów niskiego ryzyka, co potencjalnie prowadziło do mniej inwazyjnych badań i dokładniejszej diagnozy u kobiet.

Modele dały również mniej wyników fałszywie dodatnich, co sugeruje, że system może być w stanie zmniejszyć liczbę testów poddawanych pacjentowi, aby wykluczyć chorobę.

„Wyniki sugerują, że poprawa danych szkoleniowych ma kluczowe znaczenie dla zapewnienia, że ​​przewidywania sztucznej inteligencji lepiej odzwierciedlają populację, do której zostaną zastosowane w przyszłości” – stwierdził Slomka.

Naukowcy oceniają obecnie te nowatorskie podejścia do sztucznej inteligencji w Cedars-Sinai i badają, w jaki sposób można je zintegrować z oprogramowaniem klinicznym i wykorzystać w standardowej opiece nad pacjentem.

Badania były częściowo wspierane przez Narodowy Instytut Serca, Płuc i Krwi.

Źródło:

Cedry Synaj

Odniesienie:

Shanbhag, AD i in. (2022) Korekcja tłumienia oparta na głębokim uczeniu się poprawia dokładność diagnostyczną SPECT serca. Journal of medycyny nuklearnej. doi.org/10.2967/jnumed.122.264429.

.