IBM Breekt Grond Met AI Die Hartfunctie Simuleert In Minuten

• Nieuwe methode gebruikt high-performance computing algoritmes om virtuele Fractional Flow Reserve simulaties te verbeteren.
• Het algoritme is gebaseerd op machine learning en deep learning versnellingsmethode genaamd Gaussian Process regressie.
• Het kan perfect simuleren wat er in het hart gebeurt binnen 1-2 minuten.

Meeste multi-schaal modellen van cardiale mechanica zien er veelbelovend uit, maar wanneer het aankomt op diagnose en behandeling, zijn hun mogelijkheden tamelijk beperkt. Omdat ze niet in staat zijn om klinische data efficiënt te verwerken, onvaste variabelen te beperken en computationele complexiteit aan te pakken, kunnen ze geen effectieve hulp bieden bij klinische beslissingen en medische zorg.

De meest voorkomende hartaandoening is Coronaire Arterie Ziekte (CAD), die bijna 16,5 miljoen Amerikaanse volwassenen beïnvloedt. Het is ook de leidende doodsoorzaak van zowel vrouwen als mannen in de VS. Volgens de Cleveland Clinic heeft iemand in de VS elke 40 seconden een hartinfarct.

Het is een aandoening waarbij coronaire arteriën geblokkeerd (of vernauwd) raken door de opstapeling van vette en cholesterol (bekend als plaques) afzettingen op de binnenwanden van arteriën. Deze plaques beperken de bloedstroom wat kan leiden tot een hartinfarct.

Bloedstroom In Artiëren Simuleren

Om de diagnose van dergelijke ziekten te verbeteren, verkennen onderzoekers nieuwe methodes om blokkades in arteriën te onderzoeken met een techniek genaamd virtuele Fractional Flow Reserve (vFFR). Het gebruikt Computational Fluid Dynamics en Röntgen angiogrammen om vloeistofbewegingen te onderzoeken en de bloedstroom in coronaire arteriën te simuleren.

Om de plaque in arteriën te observeren, moet een patiënt hyperemische agent injecties ondergaan. Echter, deze typen simulaties elimineren de vereiste van een drukdraad catheter.

Bestaande vFFR gebaseerd op computational fluid dynamic algoritmes duurt vaak meer dan een dag om een complete simulatie te genereren. Om vFFR methode(s) effectief te gebruiken, is het noodzakelijk om de algoritmes waar ze op draaien te verbeteren, zonder de diagnostische nauwkeurig te reduceren. Het moet in staat zijn een volledige simulatie in minuten te berekenen, wat een breder bereik aan geblokkeerde arteriën biedt.

Om aan deze eisen te voldoen, hebben IBM-onderzoekers een nieuwe methode ontwikkeld die high-performance computing algoritmes gebruikt om vFFR simulaties te verbeteren. Het algoritme is gebaseerd op machine learning en deep learning versnellingsmethode genaamd Gaussian Process regressie. Het kan gebruikt worden om optimalisatie-algoritmen te assisteren, zelfs in lastige scenario's waar objectieve functioneel niet gemakkelijk gedifferentieerd kunnen worden.

Referentie: Frontiers Physiology | doi:10.3389/fphys.2018.01002 | IBM

Het algoritme neemt grootte, locatie en transmurale diepte van het infarct als invoervariabelen en berekent veranderingen in simulaties. Het kan 40 simulaties van infarct uitvoeren binnen variërende locaties en vormen. Na training op uitkomsten van eindige element simulaties, biedt het algoritme een nuttige representatie voor het onderzoeken van complexe effecten.

De hemodynamische simulaties voor vFFR-gebaseerde diagnose voeren uit binnen 1-2 minuten op POWER9 systemen met NVIDIA Tesla V100 GPU's. Volgens de onderzoekers is dit de eerste simulatie van zijn soort die in bijna real-time wordt uitgevoerd.

De snelle model simulaties kunnen handmatige arbeid verminderen en helpen clinici om snel hartaandoeningen te onderzoeken, wat de mentale last voor patiënten die wachten op testresultaten vermindert.

Lees ook: Google Ontwikkelt AI Die Hartziektes Voorspelt Door Uw Ogen Te Scannen

Deze studie is onderdeel van IBM's werk om een complete en nauwkeurigere beeld van de innerlijke mechanismen van het hart te bouwen met kunstmatige intelligentie en biofysische modellen. Ze hebben nieuwe technieken gepubliceerd om te visualiseren wat er in het hart gebeurt op cellulaire en anatomische niveau.