Neuer KI-basierter Ansatz erkennt Fettablagerungen in Koronararterien mithilfe von OCT-Bildern

Forscher haben einen neuen, auf künstlicher Intelligenz basierenden Ansatz zur Erkennung von Fettablagerungen in Koronararterien mithilfe von Bildern der optischen Kohärenztomographie (OCT) entwickelt. Da diese lipidreichen Plaques stark mit schwerwiegenden kardialen Ereignissen wie Herzinfarkten in Zusammenhang stehen, könnte die Methode Ärzten schließlich dabei helfen, gefährliche Plaques zu erkennen, bevor sie aufplatzen und Schäden verursachen.

OCT wird bei katheterbasierten Eingriffen eingesetzt, beispielsweise zum Öffnen teilweise verstopfter Blutgefäße und zum Platzieren von Stents, um den Blutfluss zu erleichtern. Obwohl die OCT sehr detaillierte Bilder der Gefäßstruktur liefert, zeigen Standard-OCT-Bilder nicht die Zusammensetzung der Gefäßwand, was für die Beurteilung des Herzinfarktrisikos wichtig ist.

Plaques mit mehr Lipiden und bestimmten Lipidverteilungsmustern sind stark mit dem Risiko schwerwiegender kardialer Ereignisse verbunden. Durch die Analyse wellenlängenabhängiger Informationen, die im OCT-Signal verborgen sind, und deren Kombination mit KI konnten wir das Vorhandensein und die Verteilung von Lipiden innerhalb der Gefäßwand identifizieren.“

Hyeong Soo Nam, Forschungsteamleiter, Korea Advanced Institute of Science and Technology, Südkorea

In der Zeitschrift der Optica Publishing Group Biomedizinischer Optik-Expressbeschreiben die Forscher ihre neue Methode zur Extraktion spektraler Informationen aus OCT-Bildern. Sie entwickelten außerdem einen Deep-Learning-Ansatz, der eine quantitative, automatische Bewertung von Lipiden direkt aus intravaskulären OCT-Bildern ermöglicht. Die neue Methode erfordert keine Hardwareänderungen und funktioniert mit OCT-Systemen, die bereits in der Klinik eingesetzt werden.

„Während einer Koronarintervention könnte diese Methode Ärzten zusätzliche Informationen liefern, um die Risikobewertung, die Verfahrensplanung und die Bewertung des Ansprechens auf die Behandlung zu unterstützen“, sagte Nam. „Letztendlich hat es das Potenzial, zu einer sichereren klinischen Entscheidungsfindung, individuelleren Behandlungsstrategien und einer verbesserten Langzeitbehandlung von Patienten mit koronarer Herzkrankheit beizutragen.“

Spektralinformationen extrahieren

Obwohl OCT in der klinischen Praxis eingesetzt wird, hängt die Identifizierung von lipidreichen Hochrisiko-Plaques immer noch stark von der Erfahrung des Arztes ab. Seit mehreren Jahren arbeiten die Forscher mit dem Team von Jin Won Kim am Korea University Guro Hospital daran, die Einschränkungen der konventionellen OCT zu überwinden.

„Unsere Gruppe hat zuvor gezeigt, dass die spektroskopische OCT lipidbezogene optische Signaturen in atherosklerotischen Plaques erkennen kann“, sagte Nam. „Diese neue Studie baut darauf auf und erweitert sie um moderne Deep-Learning-Techniken, um die Erkennungsgenauigkeit und Robustheit deutlich zu verbessern.“

Die neue Methode speist wellenlängenabhängige Informationen aus OCT-Bildern in ein KI-Modell ein. Dies ist möglich, weil verschiedene Gewebetypen auf unterschiedliche Weise mit Licht interagieren. Lipide, Fasergewebe und Kalzium beispielsweise absorbieren und reflektieren Licht jeweils auf leicht unterschiedliche Weise. Das KI-Modell lernt, Signalmuster zu erkennen, die eher von lipidreichem Gewebe stammen, und kann dann verdächtige Bereiche im gesamten Bild automatisch hervorheben.

„Im Gegensatz zu vielen herkömmlichen KI-Systemen, bei denen Experten die Lipidregionen sorgfältig auf Pixelebene kennzeichnen müssen – ein äußerst zeitaufwändiger und subjektiver Prozess –, lernt unser Ansatz aus viel einfacheren Annotationen auf Frame-Ebene, die nur angeben, ob Lipid vorhanden ist oder nicht“, sagte Nam. „Dies verringert den Anmerkungsaufwand erheblich und macht die Methode für den klinischen Einsatz in der Praxis weitaus praktischer.“

KI-Vorhersagen vs. Histologie

Die Forscher validierten ihren neuen Ansatz anhand intravaskulärer Bildgebungsdaten, die von einem Kaninchenmodell für Atherosklerose erfasst wurden. Sie verglichen die KI-generierten Vorhersagen mit histopathologischen Ergebnissen, die durch lipidspezifische Gewebefärbung erhalten wurden, und bewerteten, wie genau die Methode Bildrahmen identifizierte, die lipidreiche Plaques enthielten, und ob sie anatomisch bedeutsame Regionen hervorhob.

„Die Ergebnisse zeigten eine starke Klassifizierungsleistung sowie eine gute räumliche Übereinstimmung mit den pathologischen Befunden“, sagte Nam. „Mit Blick auf die Zukunft könnte derselbe Rahmen, den wir angewendet haben, auf andere intravaskuläre oder optische Bildgebungsmodalitäten ausgeweitet werden, bei denen subtile Spektral- oder Signalvariationen vorhanden sind, aber nicht ausreichend genutzt werden.“

Die Forscher arbeiten nun daran, die Verarbeitungsgeschwindigkeit und Robustheit des Ansatzes zu verbessern, um ihn für den klinischen Echtzeiteinsatz praktischer zu machen. Sie planen außerdem, zusätzliche Validierungsstudien mit Daten menschlicher Koronararterien durchzuführen und herauszufinden, wie sich die Methode am besten in bestehende klinische Arbeitsabläufe integrieren lässt, sodass sie für Ärzte nahtlos ist.

Quellen: