Plusieurs découvertes récentes montrent que la précision du diagnostic des maladies coronariennes et de la prédiction du risque du patient s’améliore à l’aide de modèles d’intelligence artificielle (IA) développés par des scientifiques de la division Cedars-Sinai de l’intelligence artificielle en médecine. .
Ces avancées, dirigées par Piotr Slomka, PhD, directeur de l’innovation en imagerie à Cedars-Sinai et chercheur à la Division de l’intelligence artificielle en médecine et au Smidt Heart Institute, facilitent la détection et le diagnostic de l’une des maladies cardiaques les plus courantes et les plus mortelles.
La maladie coronarienne affecte les artères qui irriguent le muscle cardiaque. Si elle n’est pas traitée, elle peut entraîner une crise cardiaque ou d’autres complications telles que l’arythmie ou l’insuffisance cardiaque.
La maladie, qui touche environ 16,3 millions d’Américains de plus de 20 ans, est couramment diagnostiquée à l’aide de la tomographie par émission monophotonique (SPECT) et de la tomodensitométrie (CT). Cependant, les images générées lors de la numérisation ne sont pas toujours faciles à lire.
« Nous continuons de montrer que l’IA peut améliorer la qualité des images et révéler plus d’informations, rendant les diagnostics de maladies plus précis », a déclaré Slomka, qui est également professeur de médecine et de cardiologie et auteur principal de trois études récemment publiées à ce jour. publié sur l’amélioration de l’imagerie cardiaque par l’IA.
Utiliser l’IA pour améliorer les images du cœur
La première étude, publiée en Le Journal de médecine nucléaireutilise la technologie d’imagerie cardiaque par intelligence artificielle pour aider à améliorer la précision diagnostique de l’imagerie SPECT pour les maladies coronariennes grâce à des corrections d’image avancées.
Dans l’imagerie SPECT, il est important d’avoir une correction d’atténuation, ce qui aide à réduire les artefacts dans les images du cœur, les rendant plus faciles à lire et plus précises. Cependant, cela nécessite un scanner CT supplémentaire et un équipement hybride SPECT/CT coûteux, qui est essentiellement deux scanners en un.
Bien qu’il ait été démontré que la correction de l’atténuation du scanner améliore le diagnostic de la maladie coronarienne, elle n’est actuellement effectuée que sur une minorité d’examens en raison du temps d’examen supplémentaire, des radiations et de la disponibilité limitée de cette technologie coûteuse.
Pour aider à surmonter ces obstacles, Slomka et son équipe ont développé un modèle d’apprentissage en profondeur appelé DeepAC pour générer des images SPECT corrigées sans avoir besoin de scanners hybrides coûteux. Ces images sont générées à l’aide de techniques d’IA similaires à celles utilisées pour générer des vidéos « deep-fake » et peuvent simuler des images de haute qualité obtenues par des scanners hybrides SPECT/CT.
L’équipe a comparé la précision du diagnostic de la maladie coronarienne à l’aide de l’imagerie SPECT non corrigée, qui est utilisée dans la plupart des contextes aujourd’hui, de l’imagerie hybride SPECT/CT avancée et de l’imagerie corrigée par l’IA plus récente sur des données non corrigées vues à partir de hubs qui n’ont jamais été utilisés dans DeepAC. entraînement.
Ils ont constaté que l’IA créait des images qui étaient presque de la même qualité et permettaient une précision de diagnostic similaire à celles obtenues avec des scanners plus chers.
Ce modèle d’IA était capable de générer des images DeepAC en une fraction de seconde dans un logiciel PC standard et pouvait être facilement mis en œuvre dans les flux de travail cliniques en tant qu’étape de prétraitement automatisée. »
Dr Piotr Slomka, Directeur de l’innovation en imagerie, Cedars-Sinai
Prédiction des événements cardiaques indésirables majeurs
Dans la deuxième étude, publiée dans le Journal de l’American College of Cardiology : Imagerie cardiovasculairel’équipe a montré que l’IA d’apprentissage en profondeur permet de prédire les événements cardiaques indésirables majeurs, tels que la mort et les crises cardiaques, directement à partir d’images SPECT.
Les chercheurs ont formé le modèle d’IA à l’aide d’une grande base de données multinationale qui comprenait cinq sites différents avec plus de 20 000 scans de patients. Il comprenait des images montrant la perfusion et le mouvement du cœur de chaque patient.
Le modèle d’IA intègre des explications visuelles pour les cliniciens, mettant en évidence des images avec des régions qui contribuent à un risque élevé d’événements indésirables.
L’équipe a ensuite testé le modèle d’IA sur deux sites distincts avec plus de 9 000 scans. Ils ont découvert que le modèle d’apprentissage en profondeur prédisait le risque du patient avec plus de précision que les logiciels actuellement utilisés dans la clinique.
« Dans la première étude, nous avons pu montrer que l’IA peut être utilisée pour apporter d’importantes corrections d’image sans avoir besoin de scanners coûteux », a déclaré Slomka. « Dans le second, nous montrons que les images existantes peuvent être mieux utilisées : prédire le risque de crise cardiaque ou de décès d’un patient à partir d’images et mettre en évidence les caractéristiques du cœur qui indiquent ce risque, afin de mieux informer les cliniciens sur la maladie coronarienne. »
« Ces découvertes représentent une preuve de principe sur la façon dont l’IA peut améliorer les diagnostics cliniques », a déclaré Sumeet Chugh, MD, directeur de la Division de l’intelligence artificielle en médecine. « Les améliorations apportées à l’imagerie SPECT par l’IA ont le potentiel d’améliorer la précision du diagnostic des maladies coronariennes, tout en le rendant nettement plus rapide et moins cher que les normes actuelles. »
Réduction du biais dans les modèles d’IA
La troisième étude, publiée dans le Journal européen de médecine nucléaire et d’imagerie moléculairedécrit comment former un système d’IA pour qu’il fonctionne bien sur toutes les populations applicables, et pas seulement sur la population sur laquelle le système a été formé.
Certains systèmes d’IA sont formés à l’aide de populations de patients à haut risque, ce qui peut amener les systèmes à surestimer la probabilité de maladie. Pour s’assurer que le modèle d’IA fonctionne avec précision pour tous les patients et pour réduire tout biais, Slomka et son équipe ont formé le système d’IA à l’aide de variations simulées de patients. Ce processus, appelé augmentation des données, permet de mieux refléter le mélange de patients devant subir des tests d’imagerie.
Ils ont découvert que les modèles formés avec un mélange équilibré de patients prédisaient avec plus de précision la probabilité de maladie coronarienne chez les femmes et les patients à faible risque, conduisant potentiellement à des tests moins invasifs et à des diagnostics plus précis chez les femmes.
Les modèles ont également conduit à moins de faux positifs, ce qui suggère que le système peut potentiellement réduire le nombre de tests qu’un patient subit pour exclure la maladie.
« Les résultats suggèrent que l’amélioration des données de formation est essentielle pour garantir que les prédictions de l’IA reflètent plus étroitement la population à laquelle elles seront appliquées à l’avenir », a déclaré Slomka.
Les chercheurs évaluent actuellement ces nouvelles approches d’IA à Cedars-Sinai et explorent comment elles peuvent être intégrées dans des logiciels cliniques et comment elles pourraient être utilisées dans les soins standard aux patients.
La recherche a été financée en partie par le National Heart, Lung, and Blood Institute.
cèdres du sinaï
Shanbhag, AD, et coll. (2022) La correction de l’atténuation basée sur l’apprentissage en profondeur améliore la précision diagnostique du SPECT cardiaque. Journal de médecine nucléaire. doi.org/10.2967/jnumed.122.264429.