Modeli AI izboljšujejo natančnost diagnosticiranja bolezni koronarnih arterij

Modeli AI izboljšujejo natančnost diagnosticiranja bolezni koronarnih arterij

Nekaj ​​nedavnih odkritij kaže, da se natančnost diagnosticiranja bolezni koronarnih arterij in napovedovanja tveganja za bolnika izboljšujeta z uporabo modelov umetne inteligence (AI), ki so jih razvili znanstveniki v Oddelku za umetno inteligenco v medicini pri Cedars-Sinai.

Ta napredek, ki ga vodi dr. Piotr Slomka,Direktor za inovacije na področju slikanja pri Cedars-Sinai in raziskovalec na oddelku za umetno inteligenco v medicini in Smidtovem srčnem inštitutu olajša odkrivanje in diagnosticiranje ene najpogostejših in smrtonosnih bolezni srca.

Bolezen koronarnih arterij prizadene arterije, ki oskrbujejo srčno mišico s krvjo. Če se ne zdravi, lahko povzroči srčni napad ali druge zaplete, kot so srčne aritmije ali srčno popuščanje.

Stanje, ki prizadene približno 16,3 milijona Američanov, starih 20 let in več, se običajno diagnosticira z enofotonsko emisijsko računalniško tomografijo (SPECT) in računalniško tomografijo (CT). Vendar slike, ki jih ustvari skeniranje, niso vedno lahko berljive.

»Še naprej dokazujemo, da lahko umetna inteligenca izboljša kakovost slik in razkrije več informacij, kar vodi do natančnejših diagnoz bolezni,« je dejal Slomka, ki je tudi profesor medicine in kardiologije ter višji avtor treh nedavno objavljenih študij, ki uporabljajo umetno inteligenco za izboljšanje slikanja srca.

Uporaba umetne inteligence za izboljšanje slikanja srca

Prva študija, objavljena v Journal of Nuclear Medicine, uporablja tehnologijo umetne inteligence za slikanje srca, kar pomaga izboljšati diagnostično natančnost slikanja SPECT za koronarno arterijsko bolezen z naprednimi popravki slike.

Korekcija atenuacije je pomembna pri slikanju SPECT, saj pomaga zmanjšati artefakte v srčnih slikah ter jih naredi lažje berljive in natančnejše. Zahteva pa dodatno CT skeniranje in drage hibridne aparate SPECT/CT, ki sta v bistvu dva skenerja v enem.

Medtem ko se je izkazalo, da korekcija oslabitve s CT izboljšuje diagnozo bolezni koronarnih arterij, se trenutno izvaja le pri manjšini skeniranj zaradi dodatnega časa skeniranja, sevanja in omejene razpoložljivosti te drage tehnologije.

Za premagovanje teh ovir sta Slomka in njegova ekipa razvila model globokega učenja, imenovan DeepAC, za ustvarjanje popravljenih slik SPECT brez potrebe po dragih hibridnih skenerjih. Te slike so ustvarjene s tehnikami umetne inteligence, podobnimi tistim, ki se uporabljajo za ustvarjanje "globoko ponarejenih" videoposnetkov, in lahko simulirajo visokokakovostne slike, pridobljene s hibridnimi skenerji SPECT/CT.

Ekipa je primerjala diagnostično natančnost bolezni koronarnih arterij z nepopravljenimi slikami SPECT, ki se danes uporabljajo na večini mest, naprednimi hibridnimi slikami SPECT/CT in novimi slikami, popravljenimi z umetno inteligenco, v nevidnih podatkih iz centrov, ki niso bili nikoli uporabljeni pri usposabljanju DeepAC.

Ugotovili so, da je AI ustvaril slike, ki so bile skoraj enake kakovosti in so omogočale podobno diagnostično natančnost kot tiste, pridobljene z dražjimi skenerji.

Ta model AI je bil sposoben ustvariti slike DeepAC v delčkih sekunde na standardni računalniški programski opremi in ga je bilo mogoče zlahka implementirati v klinične poteke dela kot avtomatiziran korak predprocesiranja.«

Piotr Slomka, dr,Direktor slikovnih inovacij, Cedars-Sinai

Napovedovanje večjih neželenih srčnih dogodkov

V drugi študiji, objavljeni v Journal of American College of Cardiology: Cardiovascular Imaging, je ekipa pokazala, da umetna inteligenca z globokim učenjem omogoča napovedovanje večjih neželenih srčnih dogodkov, kot sta smrt in srčni napad, neposredno iz slik SPECT.

Preiskovalci so model umetne inteligence usposobili z uporabo velike večnacionalne baze podatkov, ki je vključevala pet različnih lokacij z več kot 20.000 pregledi bolnikov. Vseboval je slike, ki prikazujejo srčno perfuzijo in gibanje za vsakega bolnika.

Model AI zagotavlja vizualna pojasnila za zdravnike in poudari slike z regijami, ki prispevajo k visokemu tveganju neželenih dogodkov.

Ekipa je nato preizkusila model AI na dveh različnih lokacijah z več kot 9000 skeniranji. Ugotovili so, da model globokega učenja natančneje napoveduje tveganje pacienta kot programski programi, ki se trenutno uporabljajo na kliniki.

»V prvi študiji smo lahko pokazali, da je mogoče pomembne popravke slik izvesti z umetno inteligenco brez dragih skenerjev,« pravi Slomka. "Drugič, pokažemo, da je mogoče obstoječe slike bolje uporabiti - z uporabo slik za napovedovanje pacientovega tveganja za srčni napad ali smrt in poudarjanjem srčnih značilnosti, ki kažejo na to tveganje - za boljše obveščanje klinikov o koronarni srčni bolezni."

"Ti rezultati predstavljajo dokaz načela o tem, kako lahko umetna inteligenca izboljša klinično diagnostiko," je dejal Sumeet Chugh, MD, direktor Oddelka za umetno inteligenco v medicini. "Izboljšave slikanja SPECT, ki jih poganja umetna inteligenca, lahko izboljšajo natančnost diagnosticiranja bolezni koronarnih arterij, medtem ko se izvajajo bistveno hitreje in ceneje od trenutnih standardov."

Zmanjšanje pristranskosti v modelih AI

Tretja študija, objavljena v European Journal of Nuclear Medicine and Molecular Imaging, opisuje, kako je mogoče sistem umetne inteligence usposobiti za dobro delovanje v vseh ustreznih populacijah – ne le pri populaciji, za katero je bil sistem usposobljen.

Nekateri sistemi umetne inteligence so usposobljeni za populacijo bolnikov z visokim tveganjem, kar lahko povzroči, da sistemi precenijo verjetnost bolezni. Da bi zagotovili, da model umetne inteligence deluje natančno za vse bolnike in zmanjša pristranskost, sta Slomka in njegova ekipa usposobila sistem umetne inteligence s simuliranimi različicami bolnikov. Ta proces, imenovan povečevanje podatkov, pomaga bolje odražati mešanico pacientov, ki naj bi bili podvrženi slikovnim testom.

Ugotovili so, da so modeli, usposobljeni z uravnoteženo mešanico pacientov, natančneje napovedali verjetnost bolezni koronarnih arterij pri ženskah in bolnikih z nizkim tveganjem, kar lahko vodi do manj invazivnega testiranja in natančnejše diagnoze pri ženskah.

Modeli so prav tako povzročili manj lažnih pozitivnih rezultatov, kar nakazuje, da bi sistem morda lahko zmanjšal število testov, ki jih bolnik opravi, da bi izključil bolezen.

"Rezultati kažejo, da je izboljšanje podatkov o usposabljanju ključnega pomena za zagotovitev, da napovedi umetne inteligence bolje odražajo populacijo, za katero bodo uporabljene v prihodnosti," je dejal Slomka.

Raziskovalci zdaj ocenjujejo te nove pristope umetne inteligence pri Cedars-Sinai in raziskujejo, kako bi jih lahko integrirali v klinično programsko opremo in uporabili pri standardni oskrbi bolnikov.

Raziskavo je delno podprl Nacionalni inštitut za srce, pljuča in kri.

Vir:

Cedre Sinaj

Referenca:

Shanbhag, AD, et al. (2022) Korekcija atenuacije, ki temelji na globokem učenju, izboljša diagnostično natančnost srčnega SPECT. Journal of Nuclear Medicine. doi.org/10.2967/jnumed.122.264429.

.