Un nou model de inteligență artificială identifică leziunile tisulare ale inimii
Cercetătorii din cadrul grupului COR de la Institutul de Tehnologii Informaționale și Comunicații (ITACA) al Universității Politècnica de València (UPV) au dezvoltat un model de inteligență artificială capabil să localizeze și să cuantifice anomaliile tisulare asociate cu cardiomiopatia atrială, folosind înregistrări electrice de la suprafața corpului.
Sistemul, bazat pe rețele neuronale grafice (Graph Neural Networks, GNNs), a obținut o acuratețe de 89% în localizarea zonelor afectate și de 84% în determinarea extinderii leziunilor tisulare atriale. În plus, și-a menținut această capacitate atunci când a analizat structuri anatomice care nu au fost utilizate în timpul antrenării sale.
Următorul pas: validarea în rândul pacienților
Studiul este încă o dovadă de concept dezvoltată folosind date simulate; prin urmare, rezultatele sale nu implică o aplicare clinică imediată. Următorul pas va fi validarea modelului folosind înregistrări de la pacienți reali. Așa cum subliniază studiul, „validarea prospectivă folosind înregistrări clinice este necesară înainte ca această abordare să fie transferată în aplicații de planificare a tratamentului”. Dacă rezultatele sunt confirmate în studiile clinice, această tehnologie ar putea contribui la dezvoltarea unor noi instrumente pentru caracterizarea țesutului atrial fără proceduri invazive și ar oferi informații suplimentare pentru studiul și tratamentul afecțiunilor asociate cu cardiomiopatia atrială.
Studiul, publicat în jurnalul științific Discover Computing, este condus de María Macarulla-Rodríguez și implică, de asemenea, cercetători precum Jorge Sánchez, Andreu M. Climent și María S. Guillem, membri ai ITACA și ai Corify Care S.L., precum și Cristian Barrios Espinosa și Axel Loewe de la Karlsruhe Institute of Technology, și Ernesto Zacur de la Corify Care S.L.
Principala concluzie a studiului este că combinația dintre hărțile electrice de suprafață a corpului, analiza spatio-temporală și rețelele neuronale grafice arată un potențial mare pentru caracterizarea non-invazivă a cardiomiopatiei atriale.
O nouă abordare pentru studierea țesutului atrial
Cardiomiopatia atrială cuprinde anomalii electrice și structurale în țesutul atrial, cum ar fi fibroza, care sunt legate de apariția și progresia fibrilației atriale, una dintre cele mai comune aritmii cardiace. „Cunoașterea locației țesutului alterat și a extinderii acestuia ne poate ajuta să înțelegem mai bine boala și, potențial, să planificăm tratamente precum ablația”, afirmă María S. Guillem.
În prezent, tehnici precum mappingul electroanatomic intracardiac invaziv sau anumite scanări prin imagistică prin rezonanță magnetică (IRM) pot fi utilizate pentru a caracteriza aceste anomalii. Noua abordare propune utilizarea hărților potențialului de suprafață a corpului (BSPM), obținute prin electrozi plasați pe torace pentru a înregistra activitatea electrică a inimii. „Inteligența artificială analizează apoi modul în care aceste semnale sunt distribuite în spațiu și cum evoluează în timp pentru a identifica modele legate de locația și extinderea țesutului afectat”, explică directorul ITACA.
89% acuratețe în localizare
Pentru a dezvolta și evalua modelul, echipa a lucrat cu 14.400 de hărți simulate ale potențialului de suprafață a corpului, generate din diferite anatomi atriale și toracice, având grade și localizări variate ale cardiomiopatiei atriale. „În configurația de bază, cu 128 de electrozi, modelul a atins o acuratețe de 89% în localizarea țesutului afectat, cu valori medii de 89% sensibilitate și 90% specificitate”, subliniază María Macarulla.
Una dintre cele mai semnificative descoperiri este că sistemul a reușit să mențină o performanță bună atunci când a analizat anatomi diferite de cele utilizate pentru antrenare, un aspect crucial pentru aplicațiile viitoare în rândul persoanelor cu caracteristici anatomice diferite. „Modelul a obținut de asemenea o acuratețe globală de 84% în determinarea extinderii țesutului afectat. În plus, am constatat că performanța sa rămâne relativ stabilă atunci când calitatea semnalului scade, ceea ce sugerează o anumită robustețe față de zgomot”, afirmă María Macarulla.
Rezultatele arată, de asemenea, că diversitatea anatomică a datelor de antrenament este un factor cheie: incorporarea unei varietăți mai mari de modele atriale și toracice a îmbunătățit capacitatea de clasificare a sistemului.
