Deep-learning model bruger røntgenstråler fra thorax til at opdage hjertesygdomme – Physics World

Deep-learning model bruger røntgenstråler fra thorax til at opdage hjertesygdomme – Physics World

Tidsstempel: 20. juli 2023 kl. 5

Diagnosticering af hjertesygdom ved røntgen af ​​thorax
Diagnosticering af hjertesygdomme Til venstre: røntgenbillede af thorax fra testdatasættet. Til højre: overlejret saliency-kort, der viser grundlaget for deep-learning-modellens evaluering af hjertefunktion. (Med høflighed: Daiju Ueda, OMU)

Ekkokardiografi – en ultralydsskanning af hjertet – er den mest anvendte billeddiagnostiske modalitet til vurdering af hjertefunktion og sygdomme. Teknikken kræver dog specialiserede færdigheder, der ofte er en mangelvare. En alternativ mulighed kunne være at bruge røntgenbilleder af thorax, en af ​​de mest almindelige og mest tilgængelige medicinske undersøgelser, primært ansat til diagnosticering og behandling af lungesygdomme. Men mens hjertet er synligt på røntgenbilleder af thorax, er forholdet mellem røntgenbilleder af thorax og hjertesundhed dårligt forstået.

Et forskerhold ledet af Daiju Ueda fra Osaka Metropolitan University har udviklet en deep-learning-model, der bruger kunstig intelligens til at detektere klapsygdomme og klassificere hjertefunktion fra røntgenbilleder af thorax med hidtil uset nøjagtighed. Forskerne offentliggør deres resultater i Lancet Digital Health.

Deep-learning-modeller, der trænes og testes på et enkelt datasæt, kan være tilbøjelige til overfitting, hvor den endelige model kun fungerer godt for billeder i træningsdatasættet. For at forhindre dette udviklede Ueda og kolleger deres model ved hjælp af data fra fire forskellige institutioner, med i alt 22,551 røntgenbilleder af thorax plus tilhørende ekkokardiogrammer indsamlet fra 16,946 patienter.

Forskerne brugte 17,293 røntgenbilleder fra tre institutioner til at træne den dybe læringsmodel, plus 1947 røntgenbilleder fra de samme steder som interne testdatasæt. Til ekstern testning anvendte de 3311 røntgenbilleder fra 2617 patienter på en separat institution.

Efter at have mærket røntgenbillederne af thorax ved hjælp af ekkokardiografirapporterne som sandhed, trænede forskerne deres model til at lære funktioner, der forbinder de to datasæt. De undersøgte seks typer af hjerteklapsygdomme - mitral regurgitation, aortastenose, aorta regurgitation, mitral stenose, tricuspid regurgitation og pulmonal regurgitation - klassificerede sværhedsgraden af ​​hver sygdom som ingen, mild, moderat eller svær. De klassificerede også tre mål for hjertefunktion: venstre ventrikulær ejektionsfraktion, tricuspid regurgitant hastighed og inferior vena cava dilatation.

For at evaluere den diagnostiske ydeevne af deres dybe læringsmodel, beregnede forskerne arealet under modtagerens operationskarakteristikkurve (AUC) for ni primære klassifikatorer - en afskæring på ingen - mild versus moderat - alvorlig for hver af de seks hjerteklapsygdomme, plus cutoffs på 40 % for venstre ventrikulær ejektionsfraktion, 2.8 m/s for tricuspid regurgitant hastighed og 21 mm for indvendig vena cava dilatation – for de interne og eksterne testdatasæt.

Holdet fandt ud af, at modellen nøjagtigt kunne klassificere hjertefunktioner og hjertesygdomme, information typisk opnået fra ekkokardiografi, ved hjælp af information fra røntgenbilleder af thorax. De samlede gennemsnitlige AUC'er for de primære klassifikatorer var 0.89, 0.90 og 0.92 for de interne testdatasæt og 0.87 for det eksterne testdatasæt (værdier tættere på 1 indikerer bedre klassificering).

Med fokus på det eksterne testdatasæt kunne modellen præcist kategorisere de seks typer hjerteklapsygdomme med AUC'er fra 0.83 til 0.92. AUC for klassificering af venstre ventrikulær ejektionsfraktion var 0.92, mens AUC for både trikuspidal regurgitationshastighed og indre vena cava dilatation var 0.85.

"Så vidt vi ved, er denne undersøgelse den første til at skabe og validere en deep learning-baseret klassifikationsmodel for hjertefunktioner og hjerteklapsygdomme ved hjælp af røntgenbilleder af thorax fra flere institutioner," skriver forskerne.

De peger på, at modellen har flere fordele i forhold til ekkokardiografi-baseret evaluering af hjertesygdom. Røntgenbilleder af thorax er nemme og hurtige at optage, og modellen kan anvendes hurtigt med lave beregningskrav. Efter dens indledende implementering kunne modellen bruges uden nogen specialiserede færdigheder og til enhver tid. Derudover bør det være muligt at bruge eksisterende røntgenbilleder af thorax til at give information om hjertefunktionen, når det er nødvendigt, uden at kræve yderligere undersøgelser.

"Det tog os meget lang tid at nå frem til disse resultater, men jeg tror på, at dette er væsentlig forskning," siger Ueda i en pressemeddelelse. "Ud over at forbedre effektiviteten af ​​lægers diagnoser kan systemet også bruges i områder, hvor der ikke er specialister, i nødsituationer om natten og til patienter, der har svært ved at gennemgå ekkokardiografi."

"I fremtiden håber vi at evaluere den virkelige verden af ​​anvendeligheden af ​​vores model i forskellige kliniske omgivelser," fortæller medforfatter Shannon Walston Fysik verden. "Det er afgørende for os at forstå, hvordan vores AI-baserede model kan integreres problemfrit i kliniske arbejdsgange, og hvordan den kan bidrage til forbedret patientbehandling."

Tidsstempel:

Mere fra Fysik verden