Il modello di apprendimento profondo utilizza i raggi X del torace per rilevare le malattie cardiache - Physics World

L'ecocardiografia - un'ecografia del cuore - è la modalità di imaging più frequentemente utilizzata per valutare la funzione cardiaca e le malattie. La tecnica, tuttavia, richiede competenze specialistiche che spesso scarseggiano. Un'opzione alternativa potrebbe essere quella di utilizzare i raggi X del torace, uno degli esami medici più comuni e ampiamente disponibili, utilizzato principalmente per la diagnosi e la gestione delle malattie polmonari. Ma mentre il cuore è visibile nelle radiografie del torace, la relazione tra radiografie del torace e salute cardiaca è poco conosciuta.

Con l'obiettivo di colmare questa lacuna, un gruppo di ricerca guidato da Daiju Ueda di Università metropolitana di Osaka ha sviluppato un modello di apprendimento profondo che utilizza l'intelligenza artificiale per rilevare la malattia valvolare e classificare la funzione cardiaca dalle radiografie del torace con una precisione senza precedenti. I ricercatori pubblicano i loro risultati in La lancetta Digital Health.

I modelli di deep learning addestrati e testati su un singolo set di dati possono essere soggetti a overfitting, in cui il modello finale funziona bene solo per le immagini nel set di dati di addestramento. Per evitare ciò, Ueda e colleghi hanno sviluppato il loro modello utilizzando i dati di quattro diverse istituzioni, con un totale di 22,551 radiografie del torace più ecocardiogrammi associati raccolti da 16,946 pazienti.

I ricercatori hanno utilizzato 17,293 radiografie provenienti da tre istituzioni per addestrare il modello di apprendimento profondo, oltre a 1947 radiografie provenienti dagli stessi siti come set di dati di test interni. Per i test esterni, hanno utilizzato 3311 radiografie di 2617 pazienti in un istituto separato.

Dopo aver etichettato le radiografie del torace utilizzando i rapporti dell'ecocardiografia come verità di base, i ricercatori hanno addestrato il loro modello per apprendere le caratteristiche che collegano i due set di dati. Hanno esaminato sei tipi di cardiopatia valvolare - rigurgito mitralico, stenosi aortica, rigurgito aortico, stenosi mitralica, rigurgito tricuspidale e rigurgito polmonare - classificando la gravità di ciascuna malattia come nessuna, lieve, moderata o grave. Hanno anche classificato tre misure della funzione cardiaca: frazione di eiezione ventricolare sinistra, velocità di rigurgito tricuspidale e dilatazione della vena cava inferiore.

Per valutare le prestazioni diagnostiche del loro modello di apprendimento profondo, i ricercatori hanno calcolato l'area sotto la curva caratteristica operativa del ricevitore (AUC) per nove classificatori primari: un limite di nessuno-lieve rispetto a moderato-grave per ciascuna delle sei cardiopatie valvolari, oltre a cutoff del 40% per la frazione di eiezione del ventricolo sinistro, 2.8 m/s per la velocità del rigurgito tricuspidale e 21 mm per la dilatazione della vena cava interna, per i set di dati dei test interni ed esterni.

Il team ha scoperto che il modello potrebbe classificare accuratamente le funzioni cardiache e le malattie cardiache, informazioni tipicamente ottenute dall'ecocardiografia, utilizzando le informazioni delle radiografie del torace. Le AUC medie complessive per i classificatori primari erano 0.89, 0.90 e 0.92 per i set di dati del test interno e 0.87 per il set di dati del test esterno (valori più vicini a 1 indicano una migliore classificazione).

Concentrandosi sul set di dati del test esterno, il modello potrebbe classificare con precisione i sei tipi di cardiopatia valvolare, con AUC comprese tra 0.83 e 0.92. L'AUC per la classificazione della frazione di eiezione ventricolare sinistra era 0.92, mentre l'AUC sia per la velocità di rigurgito tricuspidale che per la dilatazione della vena cava interna era 0.85.

"Per quanto ne sappiamo, questo studio è il primo a creare e convalidare un modello di classificazione basato sull'apprendimento profondo per le funzioni cardiache e le cardiopatie valvolari utilizzando radiografie del torace di più istituzioni", scrivono i ricercatori.

Sottolineano che il modello presenta diversi vantaggi rispetto alla valutazione delle malattie cardiache basata sull'ecocardiografia. Le radiografie del torace sono facili e veloci da registrare e il modello può essere applicato rapidamente con bassi requisiti computazionali. Dopo la sua implementazione iniziale, il modello potrebbe essere utilizzato senza competenze specialistiche e in qualsiasi momento. Inoltre, dovrebbe essere possibile utilizzare le radiografie del torace esistenti per fornire informazioni sulla funzione cardiaca quando necessario, senza bisogno di test aggiuntivi.

Il modello AI determina il rischio cardiovascolare dalla radiografia del torace di routine

"Ci è voluto molto tempo per arrivare a questi risultati, ma credo che questa sia una ricerca significativa", afferma Ueda in un comunicato stampa. “Oltre a migliorare l'efficienza delle diagnosi dei medici, il sistema potrebbe essere utilizzato anche in aree dove non ci sono specialisti, nelle emergenze notturne e per i pazienti che hanno difficoltà a sottoporsi all'ecocardiografia”.

"In futuro speriamo di valutare l'applicabilità nel mondo reale del nostro modello in vari contesti clinici", dice il coautore Shannon Walston Mondo della fisica. "Per noi è fondamentale capire come il nostro modello basato sull'intelligenza artificiale può essere integrato senza problemi nei flussi di lavoro clinici e come può contribuire a migliorare l'assistenza ai pazienti".

• Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
• PlatoData.Network Generativo verticale Ai. Potenzia te stesso. Accedi qui.
• PlatoAiStream. Intelligenza Web3. Conoscenza amplificata. Accedi qui.
• PlatoneESG. Automobilistico/VE, Carbonio, Tecnologia pulita, Energia, Ambiente, Solare, Gestione dei rifiuti. Accedi qui.
• BlockOffset. Modernizzare la proprietà della compensazione ambientale. Accedi qui.
• Fonte: https://physicsworld.com/a/deep-learning-model-uses-chest-x-rays-to-detect-heart-disease/