Un model de deep learning automatizează evaluarea ventriculului drept din ecocardiograme
Evaluarea ventriculului drept (RV) al inimii, care pompează sângele către plămâni, se dovedește a fi o provocare în ecocardiografie din cauza formei sale semicirculare și a poziției sale în spatele sternului.
Imaginile ecocardiografice necesită timp și expertiză considerabilă pentru a fi interpretate corect. Deși imagistica avansată, cum ar fi RMN-ul cardiac, oferă o precizie superioară, aceasta este costisitoare și nu este întotdeauna disponibilă.
Scopul nostru a fost să dezvoltăm o metodă rapidă și consistentă pentru a evalua ventriculul drept utilizând ecocardiograme, care sunt mai ușor de obținut.
În cadrul studiului, ne-am întrebat: „Poate un model de deep learning să estimeze automat dimensiunea ventriculului drept și să detecteze funcția de pompă redusă direct din videoclipurile ecocardiografice de rutină?”
De asemenea, ne-am propus să analizăm dacă aceste estimări automatizate ar putea oferi informații despre riscul de deces al pacienților sau riscul dezvoltării fibrilației atriale sau insuficienței cardiace, condiții în care dimensiunea și funcția RV sunt importante pentru prognoză.
Pentru a răspunde acestor întrebări, am dezvoltat DROID-RV, un model specializat în procesarea datelor imagistice, antrenându-l pe mai mult de 380.000 de videoclipuri ecocardiografice provenite de la aproximativ 17.000 de pacienți din clinici de cardiologie.
În colaborare cu colegii din inițiativa Machine Learning for Health de la Broad Institute din MIT și Harvard, modelul a fost instruit să învețe atât din descrierile calitative ale dimensiunii și funcției ventriculare drepte, cât și din măsurătorile numerice.
Am testat modelul pe aproximativ 9.100 de pacienți din îngrijirea primară din sistemul nostru de sănătate, precum și pe un set de date independent de 831 de pacienți dintr-un spital din Ungaria. Apoi, am corelat predicțiile modelului nostru cu datele de sănătate pe termen lung ale pacienților din îngrijirea primară pentru a observa dacă predicțiile erau legate de rezultatele de sănătate ulterioare.
DROID-RV a estimat diametrul ventriculului drept cu o precizie medie de aproximativ 3 milimetri și a identificat funcția de pompă redusă cu o acuratețe ridicată, inclusiv în setul de date extern.
Predicțiile modelului, care indicau o dimensiune mai mare a RV sau o funcție mai slabă, au fost asociate cu insuficiența cardiacă, fibrilația atrială și mortalitatea. De exemplu, pacienții cu ventriculi drepți dilatați preziceau o probabilitate de două ori mai mare de deces în termen de cinci ani comparativ cu cei cu dimensiuni normale ale RV. Asociațiile dintre predicțiile modelului și bolile cardiovasculare viitoare au persistat chiar și după ajustarea pentru variabile precum vârsta, sexul, înălțimea, greutatea și funcția ventriculului stâng.
Instrumente precum DROID-RV pot ajuta ecocardiografii să interpreteze ecocardiogramele mai rapid, oferind măsurători preliminare și semnalând examenele anormale ce necesită o analiză atentă. Acestea ar putea, de asemenea, să ajute la identificarea pacienților care ar putea beneficia de teste suplimentare cu RMN-uri mai costisitoare pentru a caracteriza mai bine RV-ul, în special în situații în care aparatele RMN sau cititorii experți sunt puțini sau în condiții acute care necesită o evaluare imediată.
În cele din urmă, sperăm să putem utiliza instrumente precum DROID-RV nu doar pentru a recrea măsurătorile ecocardiogramelor, ci și pentru a prezice mai bine bolile cardiovasculare viitoare.
Unul dintre cele mai interesante rezultate a fost că predicțiile modelului nostru legate de dimensiunea și funcția RV au fost uneori mai puternic asociate cu bolile cardiovasculare viitoare decât măsurătorile efectuate de ecocardiograful care a interpretat studiul inițial. De exemplu, disfuncția RV prezisă a rămas asociată independent cu mortalitatea și fibrilația atrială chiar și după ajustarea pentru evaluarea ecocardiografului. Aceasta este o descoperire interesantă, deoarece sugerează că predicțiile modelului conțin informații relevante pentru prognoză, dincolo de ceea ce a fost antrenat explicit să prezică, posibil din părți ale videoclipului ecocardiografic care nu sunt măsurate în mod obișnuit.
Aceasta deschide, de asemenea, posibilitatea de a antrena modele viitoare pentru a prezice rezultatele cardiovasculare direct, mai degrabă decât doar pentru a recrea măsurătorile pe care clinicienii le iau deja din ecocardiogramă.
