Modelos de IA melhoram a precisão do diagnóstico de doença arterial coronariana

Modelos de IA melhoram a precisão do diagnóstico de doença arterial coronariana

Várias descobertas recentes mostram que a precisão do diagnóstico da doença arterial coronariana e da previsão do risco do paciente estão sendo melhoradas usando modelos de inteligência artificial (IA) desenvolvidos por cientistas da Divisão de Inteligência Artificial em Medicina do Cedars-Sinai.

Esses avanços, liderados por Piotr Slomka, PhD,Diretor de Inovação em Imagens do Cedars-Sinai e cientista pesquisador da Divisão de Inteligência Artificial em Medicina e do Smidt Heart Institute, facilita a detecção e o diagnóstico de uma das doenças cardíacas mais comuns e mortais.

A doença arterial coronariana afeta as artérias que fornecem sangue ao músculo cardíaco. Se não for tratada, pode causar ataque cardíaco ou outras complicações, como arritmias cardíacas ou insuficiência cardíaca.

A condição, que afeta aproximadamente 16,3 milhões de americanos com 20 anos ou mais, é comumente diagnosticada por meio de tomografia computadorizada por emissão de fóton único (SPECT) e tomografia computadorizada (TC). Contudo, as imagens produzidas durante a digitalização nem sempre são fáceis de ler.

“Continuamos a mostrar que a IA pode melhorar a qualidade das imagens e revelar mais informações, levando a diagnósticos de doenças mais precisos”, disse Slomka, que também é professor de medicina e cardiologia e autor sênior de três estudos publicados recentemente usando IA para melhorar a imagem cardíaca.

Usando IA para melhorar imagens cardíacas

O primeiro estudo, publicado no Journal of Nuclear Medicine, utiliza tecnologia de IA para imagens cardíacas, ajudando a melhorar a precisão do diagnóstico de imagens SPECT para doença arterial coronariana por meio de correções avançadas de imagem.

A correção de atenuação é importante nas imagens SPECT, ajudando a reduzir artefatos nas imagens cardíacas e tornando-as mais fáceis de ler e mais precisas. No entanto, requer uma tomografia computadorizada adicional e máquinas híbridas SPECT/TC caras, que são essencialmente dois scanners em um.

Embora tenha sido demonstrado que a correção da atenuação da TC melhora o diagnóstico da doença arterial coronariana, atualmente ela é realizada apenas em uma minoria de exames devido ao tempo adicional de exame, à radiação e à disponibilidade limitada dessa tecnologia cara.

Para superar esses obstáculos, Slomka e sua equipe desenvolveram um modelo de aprendizagem profunda chamado DeepAC para gerar imagens SPECT corrigidas sem a necessidade de scanners híbridos caros. Essas imagens são geradas por técnicas de IA semelhantes às usadas para gerar vídeos “deep fake” e podem simular imagens de alta qualidade obtidas de scanners híbridos SPECT/CT.

A equipe comparou a precisão do diagnóstico da doença arterial coronariana com imagens SPECT não corrigidas usadas na maioria dos lugares hoje, imagens híbridas avançadas de SPECT/CT e novas imagens corrigidas por IA em dados invisíveis de centros que nunca foram usados ​​no treinamento do DeepAC.

Eles descobriram que a IA criava imagens com quase a mesma qualidade e permitia uma precisão de diagnóstico semelhante àquelas obtidas com scanners mais caros.

Este modelo de IA foi capaz de gerar imagens DeepAC em frações de segundo em software de computador padrão e pode ser facilmente implementado em fluxos de trabalho clínicos como uma etapa automatizada de pré-processamento.”

Piotr Slomka, PhD,Diretor de Inovação em Imagem, Cedars-Sinai

Predição de eventos cardíacos adversos importantes

No segundo estudo, publicado no Journal of American College of Cardiology: Cardiovascular Imaging, a equipe mostrou que a IA de aprendizagem profunda torna possível prever eventos cardíacos adversos importantes, como morte e ataque cardíaco, diretamente a partir de imagens SPECT.

Os investigadores treinaram o modelo de IA usando um grande banco de dados multinacional que incluía cinco locais diferentes com mais de 20.000 exames de pacientes. Continha imagens que representavam a perfusão e o movimento cardíaco de cada paciente.

O modelo de IA fornece explicações visuais para os médicos e destaca as imagens com as regiões que contribuem para alto risco de eventos adversos.

A equipe então testou o modelo de IA em dois locais diferentes com mais de 9.000 varreduras. Eles descobriram que o modelo de aprendizagem profunda previu o risco do paciente com mais precisão do que os programas de software usados ​​atualmente na clínica.

“No primeiro estudo, conseguimos mostrar que importantes correções de imagem podem ser realizadas com IA sem scanners caros”, diz Slomka. "Em segundo lugar, mostramos que as imagens existentes podem ser melhor utilizadas - utilizando imagens para prever o risco de ataque cardíaco ou morte do paciente e destacando as características cardíacas que indicam esse risco - para melhor informar os médicos sobre a doença cardíaca coronária."

“Esses resultados representam uma prova de princípio de como a IA pode melhorar o diagnóstico clínico”, disse Sumeet Chugh, MD, diretor da Divisão de Inteligência Artificial em Medicina. “Melhorias nas imagens SPECT alimentadas por IA têm o potencial de melhorar a precisão do diagnóstico de doença arterial coronariana, ao mesmo tempo em que são realizadas de forma significativamente mais rápida e barata do que os padrões atuais.”

Reduzindo o preconceito em modelos de IA

O terceiro estudo, publicado no European Journal of Nuclear Medicine and Molecular Imaging, descreve como um sistema de IA pode ser treinado para funcionar bem em todas as populações aplicáveis ​​- e não apenas na população para a qual o sistema foi treinado.

Alguns sistemas de IA são treinados em populações de pacientes de alto risco, o que pode fazer com que os sistemas superestimem a probabilidade de doenças. Para garantir que o modelo de IA funcione com precisão para todos os pacientes e reduza o preconceito, Slomka e sua equipe treinaram o sistema de IA com variações simuladas de pacientes. Esse processo, denominado aumento de dados, ajuda a refletir melhor a combinação de pacientes que serão submetidos aos exames de imagem.

Eles descobriram que os modelos treinados com uma combinação equilibrada de pacientes previram com mais precisão a probabilidade de doença arterial coronariana em mulheres e pacientes de baixo risco, levando potencialmente a testes menos invasivos e a diagnósticos mais precisos em mulheres.

Os modelos também resultaram em menos falsos positivos, sugerindo que o sistema pode reduzir o número de testes que o paciente faz para descartar a doença.

“Os resultados sugerem que melhorar os dados de treinamento é fundamental para garantir que as previsões de IA reflitam melhor a população à qual serão aplicadas no futuro”, disse Slomka.

Os pesquisadores estão agora avaliando essas novas abordagens de IA no Cedars-Sinai e explorando como elas poderiam ser integradas ao software clínico e usadas no atendimento padrão ao paciente.

A pesquisa foi apoiada em parte pelo Instituto Nacional do Coração, Pulmão e Sangue.

Fonte:

Cedros Sinai

Referência:

Shanbhag, AD, et al. (2022) A correção de atenuação baseada em aprendizagem profunda melhora a precisão diagnóstica do SPECT cardíaco. Revista de Medicina Nuclear. doi.org/10.2967/jnumed.122.264429.

.