KI-Modelle verbessern die Genauigkeit der Diagnose von Erkrankungen der Herzkranzgefäße

Mehrere neuere Entdeckungen zeigen, dass die Genauigkeit der Diagnose von Erkrankungen der Herzkranzgefäße und die Vorhersage des Patientenrisikos mithilfe von Modellen der künstlichen Intelligenz (KI) verbessert werden, die von Wissenschaftlern der Abteilung für künstliche Intelligenz in der Medizin am Cedars-Sinai entwickelt wurden.

Diese Fortschritte, angeführt von Piotr Slomka, PhD, Director of Innovation in Imaging bei Cedars-Sinai und Forschungswissenschaftler in der Abteilung für künstliche Intelligenz in der Medizin und am Smidt Heart Institute, erleichtern die Erkennung und Diagnose einer der häufigsten und tödlichsten Herzerkrankungen.

Die koronare Herzkrankheit betrifft die Arterien, die den Herzmuskel mit Blut versorgen. Unbehandelt kann es zu einem Herzinfarkt oder anderen Komplikationen wie Herzrhythmusstörungen oder Herzinsuffizienz kommen.

Die Erkrankung, die etwa 16,3 Millionen Amerikaner im Alter von 20 Jahren und älter betrifft, wird üblicherweise mithilfe von Single-Photon-Emissions-Computertomographie (SPECT) und Computertomographie (CT) diagnostiziert. Allerdings sind die beim Scannen erzeugten Bilder nicht immer gut lesbar.

„Wir zeigen weiterhin, dass KI die Qualität von Bildern verbessern und mehr Informationen aufdecken kann, was zu genaueren Krankheitsdiagnosen führt“, sagte Slomka, der auch Professor für Medizin und Kardiologie und leitender Autor von drei kürzlich veröffentlichten Studien ist veröffentlicht mit KI zur Verbesserung der kardialen Bildgebung.

Verwendung von KI zur Verbesserung der Herzbildgebung

Die erste Studie, die im Journal of Nuclear Medicine veröffentlicht wurde, verwendet KI-Technologie für die Herzbildgebung, die dazu beiträgt, die diagnostische Genauigkeit der SPECT-Bildgebung für koronare Herzkrankheiten durch fortschrittliche Bildkorrekturen zu verbessern.

Bei der SPECT-Bildgebung ist eine Schwächungskorrektur wichtig, die dazu beiträgt, Artefakte in Herzbildern zu reduzieren und sie leichter lesbar und genauer zu machen. Es erfordert jedoch einen zusätzlichen CT-Scan und teure hybride SPECT/CT-Geräte, die im Wesentlichen zwei Scanner in einem sind.

Während sich gezeigt hat, dass die CT-Dämpfungskorrektur die Diagnose von koronarer Herzkrankheit verbessert, wird sie derzeit aufgrund zusätzlicher Scanzeit, Strahlung und begrenzter Verfügbarkeit dieser teuren Technologie nur bei einer Minderheit von Scans durchgeführt.

Um diese Hindernisse zu überwinden, entwickelten Slomka und sein Team ein Deep-Learning-Modell namens DeepAC, um korrigierte SPECT-Bilder ohne die Notwendigkeit teurer Hybridscanner zu erzeugen. Diese Bilder werden durch KI-Techniken generiert, die denen ähneln, die zum Generieren von „Deep-Fake“-Videos verwendet werden, und können qualitativ hochwertige Bilder simulieren, die von hybriden SPECT/CT-Scannern erhalten wurden.

Das Team verglich die Diagnosegenauigkeit der koronaren Herzkrankheit mit nicht korrigierten SPECT-Bildern, die heute an den meisten Orten verwendet werden, fortschrittlichen hybriden SPECT/CT-Bildern und neuen KI-korrigierten Bildern in unsichtbaren Daten aus Zentren, die nie in DeepAC verwendet wurden Ausbildung.

Sie fanden heraus, dass KI Bilder erstellte, die nahezu die gleiche Qualität hatten und eine ähnliche diagnostische Genauigkeit ermöglichten wie die, die mit teureren Scannern erhalten wurden.

Dieses KI-Modell war in der Lage, DeepAC-Bilder in Sekundenbruchteilen auf Standard-Computersoftware zu generieren und konnte als automatischer Vorverarbeitungsschritt problemlos in klinische Arbeitsabläufe implementiert werden.“

Piotr Slomka, PhD, Direktor für Innovation in der Bildgebung, Cedars-Sinai

Vorhersage schwerwiegender unerwünschter kardialer Ereignisse

In der zweiten Studie, die im Journal of American College of Cardiology: Cardiovascular Imaging veröffentlicht wurde, zeigte das Team, dass Deep-Learning-KI es ermöglicht, schwerwiegende unerwünschte Herzereignisse wie Tod und Herzinfarkt direkt aus SPECT-Bildern vorherzusagen.

Die Ermittler trainierten das KI-Modell mithilfe einer großen multinationalen Datenbank, die fünf verschiedene Standorte mit über 20.000 Patientenscans umfasste. Es enthielt Bilder, die die Herzperfusion und -bewegung für jeden Patienten darstellten.

Das KI-Modell enthält visuelle Erklärungen für die Ärzte und hebt die Bilder mit den Regionen hervor, die zu einem hohen Risiko unerwünschter Ereignisse beitragen.

Anschließend testete das Team das KI-Modell an zwei verschiedenen Standorten mit über 9.000 Scans. Sie fanden heraus, dass das Deep-Learning-Modell das Patientenrisiko genauer vorhersagte als die derzeit in der Klinik verwendeten Softwareprogramme.

„In der ersten Studie konnten wir zeigen, dass mit KI wichtige Bildkorrekturen ohne teure Scanner durchgeführt werden können“, sagt Slomka. „Zweitens zeigen wir, dass die vorhandenen Bilder besser genutzt werden können – indem wir anhand von Bildern das Risiko eines Herzinfarkts oder Todes des Patienten vorhersagen und die Herzmerkmale hervorheben, die auf dieses Risiko hinweisen, um Kliniker besser über koronare Herzkrankheiten zu informieren. „

„Diese Ergebnisse stellen den Grundsatzbeweis dafür dar, wie KI die klinische Diagnostik verbessern kann“, sagte Sumeet Chugh, MD, Direktor der Abteilung für künstliche Intelligenz in der Medizin. „KI-gestützte Verbesserungen der SPECT-Bildgebung haben das Potenzial, die Genauigkeit der Diagnose von Erkrankungen der Koronararterien zu verbessern, während sie deutlich schneller und billiger als die derzeitigen Standards durchgeführt werden.“

Reduzierung von Verzerrungen in KI-Modellen

Die dritte Studie, die im European Journal of Nuclear Medicine and Molecular Imaging veröffentlicht wurde, beschreibt, wie ein KI-System so trainiert werden kann, dass es in allen anwendbaren Populationen gut funktioniert – nicht nur in der Population, für die das System trainiert wurde.

Einige KI-Systeme werden mit Patientenpopulationen mit hohem Risiko trainiert, was dazu führen kann, dass Systeme die Krankheitswahrscheinlichkeit überschätzen. Um sicherzustellen, dass das KI-Modell für alle Patienten genau funktioniert und Verzerrungen reduziert, trainierten Slomka und sein Team das KI-System mit simulierten Variationen von Patienten. Dieser Prozess, der als Datenerweiterung bezeichnet wird, trägt dazu bei, die Mischung der Patienten, von denen erwartet wird, dass sie sich den Bildgebungstests unterziehen, besser widerzuspiegeln.

Sie fanden heraus, dass die Modelle, die mit einer ausgewogenen Mischung von Patienten trainiert wurden, die Wahrscheinlichkeit einer koronaren Herzkrankheit bei Frauen und Patienten mit geringem Risiko genauer vorhersagten, was möglicherweise zu weniger invasiven Tests und einer genaueren Diagnose bei Frauen führen kann.

Die Modelle führten auch zu weniger Fehlalarmen, was darauf hindeutet, dass das System möglicherweise die Anzahl der Tests reduzieren kann, denen der Patient unterzogen wird, um die Krankheit auszuschließen.

„Die Ergebnisse deuten darauf hin, dass die Verbesserung der Trainingsdaten entscheidend ist, um sicherzustellen, dass KI-Vorhersagen die Bevölkerung, auf die sie in Zukunft angewendet werden, besser widerspiegeln“, sagte Slomka.

Die Forscher evaluieren nun diese neuartigen KI-Ansätze bei Cedars-Sinai und untersuchen, wie diese in klinische Software integriert und in der Standardpatientenversorgung eingesetzt werden könnten.

Die Forschung wurde teilweise vom National Heart, Lung, and Blood Institute unterstützt.

Quelle:

Zedern Sinai

Referenz:

Shanbhag, AD, et al. (2022) Deep Learning-basierte Dämpfungskorrektur verbessert die diagnostische Genauigkeit der kardialen SPECT. Zeitschrift für Nuklearmedizin. doi.org/10.2967/jnumed.122.264429.

.