AI-modeller förbättrar noggrannheten för att diagnostisera kranskärlssjukdom

AI-modeller förbättrar noggrannheten för att diagnostisera kranskärlssjukdom

Flera nya upptäckter visar att noggrannheten för att diagnostisera kranskärlssjukdom och förutsäga patientrisk förbättras med hjälp av artificiell intelligens (AI)-modeller utvecklade av forskare vid avdelningen för artificiell intelligens i medicin vid Cedars-Sinai.

Dessa framsteg, ledda av Piotr Slomka, PhD,Director of Innovation in Imaging vid Cedars-Sinai och forskare vid avdelningen för artificiell intelligens i medicin och Smidt Heart Institute, underlättar upptäckt och diagnos av en av de vanligaste och mest dödliga hjärtsjukdomarna.

Kranskärlssjukdom påverkar artärerna som levererar blod till hjärtmuskeln. Om det lämnas obehandlat kan det leda till en hjärtinfarkt eller andra komplikationer som hjärtarytmier eller hjärtsvikt.

Tillståndet, som drabbar cirka 16,3 miljoner amerikaner i åldrarna 20 och äldre, diagnostiseras vanligen med datortomografi med enkelfotonemission (SPECT) och datortomografi (CT). Men bilderna som produceras genom skanning är inte alltid lätta att läsa.

"Vi fortsätter att visa att AI kan förbättra kvaliteten på bilder och avslöja mer information, vilket leder till mer exakta sjukdomsdiagnoser", säger Slomka, som också är professor i medicin och kardiologi och seniorförfattare till tre nyligen publicerade studier som använder AI för att förbättra hjärtavbildning.

Använda AI för att förbättra hjärtavbildning

Den första studien, publicerad i Journal of Nuclear Medicine, använder AI-teknik för hjärtavbildning, vilket hjälper till att förbättra den diagnostiska noggrannheten hos SPECT-avbildning för kranskärlssjukdom genom avancerade bildkorrigeringar.

Dämpningskorrigering är viktig vid SPECT-avbildning, vilket hjälper till att minska artefakter i hjärtbilder och gör dem lättare att läsa och mer exakta. Det kräver dock en extra datortomografi och dyra hybrid SPECT/CT-maskiner, som i huvudsak är två skannrar i en.

Även om CT-dämpningskorrigering har visat sig förbättra diagnosen kranskärlssjukdom, utförs den för närvarande endast på en minoritet av skanningarna på grund av ytterligare skanningstid, strålning och begränsad tillgänglighet av denna dyra teknik.

För att övervinna dessa hinder utvecklade Slomka och hans team en djupinlärningsmodell som heter DeepAC för att generera korrigerade SPECT-bilder utan behov av dyra hybridskannrar. Dessa bilder genereras med AI-tekniker som liknar de som används för att generera "djupa falska" videor och kan simulera högkvalitativa bilder erhållna från hybrid SPECT/CT-skannrar.

Teamet jämförde den diagnostiska noggrannheten av kranskärlssjukdom med okorrigerade SPECT-bilder som används på de flesta platser idag, avancerade hybrid SPECT/CT-bilder och nya AI-korrigerade bilder i osynliga data från centra som aldrig använts i DeepAC-träning.

De fann att AI skapade bilder som hade nästan samma kvalitet och möjliggjorde liknande diagnostisk noggrannhet som de som erhölls med dyrare skannrar.

Den här AI-modellen kunde generera DeepAC-bilder på bråkdelar av en sekund på standardmjukvara och kunde enkelt implementeras i kliniska arbetsflöden som ett automatiserat förbearbetningssteg."

Piotr Slomka, PhD,Direktör för Imaging Innovation, Cedars-Sinai

Förutsägelse av allvarliga ogynnsamma hjärthändelser

I den andra studien, publicerad i Journal of American College of Cardiology: Cardiovascular Imaging, visade teamet att djupinlärning AI gör det möjligt att förutsäga stora ogynnsamma hjärthändelser som död och hjärtinfarkt direkt från SPECT-bilder.

Utredarna tränade AI-modellen med hjälp av en stor multinationell databas som inkluderade fem olika platser med över 20 000 patientskanningar. Den innehöll bilder som skildrade hjärtperfusion och rörelse för varje patient.

AI-modellen ger visuella förklaringar för läkarna och lyfter fram bilderna med de regioner som bidrar till en hög risk för biverkningar.

Teamet testade sedan AI-modellen på två olika platser med över 9 000 skanningar. De fann att djupinlärningsmodellen förutspådde patientrisk mer exakt än program som för närvarande används på kliniken.

"I den första studien kunde vi visa att viktiga bildkorrigeringar kan utföras med AI utan dyra skannrar", säger Slomka. "För det andra visar vi att befintliga bilder kan användas bättre - genom att använda bilder för att förutsäga patientens risk för hjärtinfarkt eller död och lyfta fram de hjärtdrag som indikerar denna risk - för att bättre informera läkare om kranskärlssjukdom."

"Dessa resultat representerar principbevis för hur AI kan förbättra klinisk diagnostik", säger Sumeet Chugh, MD, chef för avdelningen för artificiell intelligens inom medicin. "AI-drivna förbättringar av SPECT-avbildning har potential att förbättra noggrannheten för att diagnostisera kranskärlssjukdom samtidigt som de utförs betydligt snabbare och billigare än nuvarande standarder."

Minska bias i AI-modeller

Den tredje studien, publicerad i European Journal of Nuclear Medicine and Molecular Imaging, beskriver hur ett AI-system kan tränas för att fungera bra i alla tillämpliga populationer – inte bara den population som systemet tränades för.

Vissa AI-system är tränade på patientpopulationer med hög risk, vilket kan få systemen att överskatta sannolikheten för sjukdom. För att säkerställa att AI-modellen fungerar exakt för alla patienter och minskar bias, tränade Slomka och hans team AI-systemet med simulerade variationer av patienter. Denna process, som kallas dataförstärkning, hjälper till att bättre återspegla blandningen av patienter som förväntas genomgå avbildningstesterna.

De fann att modellerna som tränats med en balanserad blandning av patienter mer exakt förutspådde sannolikheten för kranskärlssjukdom hos kvinnor och lågriskpatienter, vilket potentiellt leder till mindre invasiv testning och mer exakt diagnos hos kvinnor.

Modellerna resulterade också i färre falska positiva resultat, vilket tyder på att systemet kanske kan minska antalet tester som patienten genomgår för att utesluta sjukdomen.

"Resultaten tyder på att förbättring av träningsdata är avgörande för att säkerställa att AI-förutsägelser bättre återspeglar populationen som de tillämpas på i framtiden," sa Slomka.

Forskare utvärderar nu dessa nya AI-metoder vid Cedars-Sinai och undersöker hur de kan integreras i klinisk programvara och användas i vanlig patientvård.

Forskningen stöddes delvis av National Heart, Lung, and Blood Institute.

Källa:

Cedars Sinai

Hänvisning:

Shanbhag, AD, et al. (2022) Deep learning-baserad dämpningskorrigering förbättrar den diagnostiska noggrannheten för hjärt-SPECT. Journal of Nuclear Medicine. doi.org/10.2967/jnumed.122.264429.

.