Несколько недавних открытий показывают, что точность диагностики ишемической болезни сердца и прогнозирования риска для пациента повышается с помощью моделей искусственного интеллекта (ИИ), разработанных учеными из отдела искусственного интеллекта в медицине Cedars-Sinai.

Эти достижения, возглавляемые Петром Сломкой, доктором медицинских наук , директором по инновациям в области визуализации в Cedars-Sinai и научным сотрудником отдела искусственного интеллекта в медицине и Института сердца Смидта, упрощают обнаружение и диагностику одного из наиболее распространенных и смертельные сердечные заболевания.

Ишемическая болезнь сердца поражает артерии, снабжающие кровью сердечную мышцу. Если не лечить, это может привести к сердечному приступу или другим осложнениям, таким как аритмия или сердечная недостаточность.

Заболевание, от которого страдают примерно 16,3 миллиона американцев в возрасте от 20 лет и старше, обычно диагностируют с помощью однофотонной эмиссионной компьютерной томографии (ОФЭКТ) и компьютерной томографии (КТ). Однако изображения, созданные во время сканирования, не всегда легко читаются.

«Мы продолжаем показывать, что ИИ может улучшать качество изображений и раскрывать больше информации, что способствует более точной диагностике заболеваний», — сказал Сломка, который также является профессором медицины и кардиологии и старшим автором трех недавно проведенных исследований. опубликовано с участием ИИ, улучшающего визуализацию сердца.

Использование ИИ для улучшения визуализации сердца

В первом исследовании, опубликованном в The Journal of Nuclear Medicine , используется технология искусственного интеллекта для визуализации сердца, которая помогает повысить точность диагностики ишемической болезни сердца при помощи ОФЭКТ за счет расширенной коррекции изображений.

При визуализации ОФЭКТ важно иметь коррекцию затухания, которая помогает уменьшить артефакты на изображениях сердца, делая их более легкими для чтения и более точными. Однако для этого требуется дополнительная компьютерная томография и дорогостоящее гибридное оборудование ОФЭКТ/КТ, которое по сути представляет собой два сканера в одном.

Хотя было показано, что коррекция затухания с помощью КТ улучшает диагностику ишемической болезни сердца, в настоящее время она выполняется только в небольшом количестве сканирований из-за дополнительного времени сканирования, радиации и ограниченной доступности этой дорогостоящей технологии.

Чтобы помочь преодолеть эти препятствия, Сломка и его команда разработали модель глубокого обучения под названием DeepAC для создания скорректированных изображений ОФЭКТ без необходимости использования дорогих гибридных сканеров. Эти изображения генерируются методами искусственного интеллекта, аналогичными тем, которые используются для создания «глубоких подделок» видео, и могут имитировать высококачественные изображения, полученные с помощью гибридных сканеров ОФЭКТ / КТ.

Команда сравнила точность диагностики ишемической болезни сердца с использованием нескорректированных изображений ОФЭКТ, которые сегодня используются в большинстве мест, усовершенствованных гибридных изображений ОФЭКТ/КТ и новых изображений с поправкой на искусственный интеллект в невидимых данных из центров, которые никогда не использовались в DeepAC. подготовка.

Они обнаружили, что ИИ создает изображения почти такого же качества и обеспечивает такую ​​же диагностическую точность, как и изображения, полученные с помощью более дорогих сканеров.

Эта модель искусственного интеллекта могла генерировать изображения DeepAC за доли секунды на стандартном компьютерном программном обеспечении и могла быть легко внедрена в клинические рабочие процессы в качестве этапа автоматической предварительной обработки».

Петр Сломка, доктор философии , директор по инновациям в области визуализации, Cedars-Sinai

Прогнозирование серьезных неблагоприятных кардиальных событий

Vital Proteins, пептиды коллагена, без вкусовых добавок, 567 г (1,25 фунта)

Во втором исследовании, опубликованном в журнале Американского колледжа кардиологии: визуализация сердечно -сосудистой системы , команда продемонстрировала, что искусственный интеллект с глубоким обучением позволяет прогнозировать серьезные неблагоприятные сердечные события, такие как смерть и сердечные приступы, непосредственно по изображениям SPECT.

Исследователи обучили модель ИИ, используя большую многонациональную базу данных, которая включала пять различных центров с более чем 20 000 сканированных изображений пациентов. Он включал изображения, изображающие перфузию и движение сердца для каждого пациента.

Модель ИИ включает в себя визуальные пояснения для врачей, выделяя изображения с областями, которые способствуют высокому риску неблагоприятных событий.

Затем команда протестировала модель ИИ на двух отдельных сайтах, выполнив более 9000 сканирований. Они обнаружили, что модель глубокого обучения предсказывает риск для пациента более точно, чем программное обеспечение, используемое в настоящее время в клинике.

«В первом исследовании мы смогли продемонстрировать, что ИИ можно использовать для выполнения важных исправлений изображений без необходимости использования дорогих сканеров», — сказал Сломка. «Во-вторых, мы показываем, что существующие изображения можно использовать лучше — прогнозировать риск сердечного приступа или смерти пациента по изображениям и выделять особенности сердца, которые указывают на этот риск, чтобы лучше информировать клиницистов об ишемической болезни сердца. «

«Эти результаты представляют собой доказательство того, как ИИ может улучшить клиническую диагностику», — сказал Сумит Чу, доктор медицинских наук, директор отдела искусственного интеллекта в медицине. «Усовершенствования визуализации ОФЭКТ с помощью искусственного интеллекта могут повысить точность диагностики ишемической болезни сердца, делая это значительно быстрее и дешевле, чем существующие стандарты».

Уменьшение предвзятости в моделях ИИ

Третье исследование, опубликованное в Европейском журнале ядерной медицины и молекулярной визуализации , описывает, как научить систему ИИ работать хорошо во всех применимых популяциях, а не только в популяции, на которой обучалась система.

Некоторые системы ИИ обучаются с использованием групп пациентов с высоким риском, что может привести к переоценке системами вероятности заболевания. Чтобы убедиться, что модель ИИ работает точно для всех пациентов и уменьшить любую погрешность, Сломка и его команда обучили систему ИИ, используя смоделированные варианты пациентов. Этот процесс, называемый аугментацией данных, помогает лучше отразить состав пациентов, которые, как ожидается, будут проходить визуализирующие тесты.

Они обнаружили, что модели, которые были обучены со сбалансированным набором пациентов, более точно предсказывали вероятность ишемической болезни сердца у женщин и пациентов с низким риском, что потенциально может привести к менее инвазивному тестированию и более точной диагностике у женщин.

Модели также привели к снижению ложных срабатываний, предполагая, что система потенциально может уменьшить количество тестов, которые пациент проходит, чтобы исключить заболевание.

«Результаты показывают, что улучшение обучающих данных имеет решающее значение для обеспечения того, чтобы прогнозы ИИ более точно отражали население, к которому они будут применяться в будущем», — сказал Сломка.

В настоящее время исследователи оценивают эти новые подходы к искусственному интеллекту в Cedars-Sinai и изучают, как их можно интегрировать в клиническое программное обеспечение и как их можно использовать в стандартном уходе за пациентами.

Исследование было частично поддержано Национальным институтом сердца, легких и крови.