Эхокардиография — ультразвуковое сканирование сердца — наиболее часто используемый метод визуализации для оценки сердечной функции и заболеваний. Однако эта техника требует специальных навыков, которых часто не хватает. Альтернативным вариантом может быть использование рентгенографии грудной клетки, одного из наиболее распространенных и широко доступных медицинских обследований, в основном используемого для диагностики и лечения заболеваний легких. Но хотя сердце видно на рентгенограммах грудной клетки, взаимосвязь между рентгенограммами грудной клетки и здоровьем сердца плохо изучена.
Стремясь восполнить этот пробел, исследовательская группа под руководством Дайдзю Уэда из Осакского столичного университета разработала модель глубокого обучения, которая использует искусственный интеллект для выявления заболеваний клапанов и классификации сердечной функции по рентгенограммам грудной клетки с беспрецедентной точностью. Исследователи публикуют свои результаты в The Lancet Digital Health .
Модели глубокого обучения, которые обучаются и тестируются на одном наборе данных, могут быть склонны к переобучению, при котором окончательная модель хорошо работает только для изображений в наборе обучающих данных. Чтобы предотвратить это, Уэда и его коллеги разработали свою модель, используя данные из четырех различных учреждений, в общей сложности 22 551 рентгенограмму грудной клетки плюс соответствующие эхокардиограммы, полученные от 16 946 пациентов.
Исследователи использовали 17 293 рентгенограммы из трех учреждений для обучения модели глубокого обучения, а также 1947 рентгенограмм из тех же мест в качестве внутренних тестовых наборов данных. Для внешнего тестирования они использовали 3311 рентгенограмм 2617 пациентов в отдельном учреждении.
Пометив рентгенограммы грудной клетки с использованием отчетов эхокардиографии как наземную правду, исследователи обучили свою модель изучать особенности, соединяющие два набора данных. Они изучили шесть типов клапанных пороков сердца — митральную регургитацию, аортальный стеноз, аортальную регургитацию, митральный стеноз, трикуспидальную регургитацию и легочную регургитацию — классифицируя тяжесть каждого заболевания как отсутствие, легкую, умеренную или тяжелую. Они также классифицировали три показателя функции сердца: фракцию выброса левого желудочка, скорость трикуспидальной регургитации и дилатацию нижней полой вены.
Чтобы оценить диагностическую эффективность своей модели глубокого обучения, исследователи рассчитали площадь под кривой рабочей характеристики приемника (AUC) для девяти первичных классификаторов — пороговое значение «нелегкое» по сравнению со среднетяжелым и тяжелым для каждого из шести клапанных пороков сердца, плюс пороговое значение 40% для фракции выброса левого желудочка, 2,8 м/с для скорости трикуспидальной регургитации и 21 мм для дилатации внутренней полой вены — для внутренней и внешней. тестовые наборы данных.
Команда обнаружила, что модель может точно классифицировать сердечные функции и сердечные заболевания, информацию, обычно получаемую с помощью эхокардиографии, с использованием информации из рентгенограмм грудной клетки. Общее среднее значение AUC для первичных классификаторов составило 0,89, 0,90 и 0,92 для наборов данных внутреннего тестирования и 0,87 для набора данных внешнего тестирования (значения, близкие к 1, указывают на лучшую классификацию).
Сосредоточившись на наборе данных внешних тестов, модель смогла точно классифицировать шесть типов клапанных пороков сердца с AUC в диапазоне от 0,83 до 0,92. AUC для классификации фракции выброса левого желудочка составила 0,92, в то время как AUC для скорости трикуспидальной регургитации и расширения внутренней полой вены составила 0,85.
«Насколько нам известно, это исследование является первым, в котором была создана и проверена основанная на глубоком обучении модель классификации функций сердца и пороков сердца с использованием рентгенограмм грудной клетки из нескольких учреждений», — пишут исследователи.
Они отмечают, что эта модель имеет несколько преимуществ по сравнению с оценкой сердечных заболеваний на основе эхокардиографии. Рентген грудной клетки можно легко и быстро записать, а модель можно быстро применить с небольшими вычислительными требованиями. После первоначальной реализации модель можно было использовать без каких-либо специальных навыков и в любое время. Кроме того, должна быть возможность использовать существующие рентгенограммы грудной клетки для получения информации о сердечной функции, когда это необходимо, без необходимости дополнительных тестов.
«Нам потребовалось очень много времени, чтобы получить эти результаты, но я считаю, что это важное исследование», — сказал Уэда в заявлении для прессы. «Помимо повышения эффективности диагностики врачей, система также может быть использована в районах, где нет специалистов, в ночных неотложных состояниях и для пациентов, которым трудно пройти эхокардиографию».
«В будущем мы надеемся оценить практическую применимость нашей модели в различных клинических условиях», — говорит соавтор Шеннон Уолстон . «Для нас крайне важно понять, как наша модель на основе ИИ может быть легко интегрирована в клинические рабочие процессы и как она может способствовать улучшению ухода за пациентами».