AI bereikt een nauwkeurigheid van 90% bij het detecteren van herhaling van atriumfibrilleren

• Een nieuwe deep learning-methode detecteert mogelijke signalen van herhaling van boezemfibrilleren met een nauwkeurigheid van 90%. 
• Om dit te doen, analyseert en leert het driedimensionale cardiale MRI-beelden en genereert het persoonsspecifieke, op oriëntatiepunten gebaseerde anatomische representaties. 

Volgens het CDC-rapport lijden ongeveer 6,1 miljoen mensen in de VS aan boezemfibrilleren (AFib), een onregelmatige en vaak snelle hartslag die het risico op hartfalen, beroerte en andere complicaties verhoogt.

Hoge bloeddruk en het ouder worden zijn verantwoordelijk voor maximaal 22% van de gevallen van AFib. Gewoonlijk verhoogt het het risico op een beroerte vijf keer en veroorzaakt het 20% van de ischemische beroertes die optreden wanneer de bloedstroom naar de hersenen wordt belemmerd door vetophopingen, bekend als plaque in de bloedvatwand.

Hoewel AFib niet levensbedreigend is, is het een ernstige aandoening die vaak een spoedbehandeling vereist. In veel gevallen komt het na de behandeling weer terug. Om mogelijke signalen van herhaling te detecteren, hebben onderzoekers van de Universiteit van Utah een diepgaande leermethode ontworpen die AFib met een nauwkeurigheid van 90% detecteert.

Hoe het werkt?

Diepe neurale netwerken maken gebruik van een driedimensionaal cardiaal MRI-beeld om een persoonsspecifieke, op oriëntatiepunten gebaseerde anatomierepresentatie te produceren, waardoor vervelende taken zoals handmatige voorverwerking en segmentatie worden geëlimineerd.

Om herhaling van AFiB te voorspellen, analyseert het de vorm van een linkerboezem (een van de vier kamers van het hart) en zoekt het naar onregelmatigheden. Het netwerk kan echter niet efficiënt worden getraind met beperkte steekproeven. Daarom pasten onderzoekers een data-augmentatiebenadering toe om meer statistisch haalbare informatie te produceren en zo het netwerk te trainen en tegelijkertijd het risico op overfitting te verkleinen.

Het convolutionele neurale netwerk wordt getraind op honderden MRI-foto's, met behulp van NVIDIA Tesla GPU's met TensorFlow deep learning-framework. Vervolgens voerden ze data-augmentatie uit op 75% van de oorspronkelijke dataset om de netwerknauwkeurigheid te verbeteren.

Referentie: arXiv:1810.00475 | Universiteit van Utah

Meer specifiek vertoont de structuur van het linker atrium een clustering in de vormruimte als gevolg van het enorme aantal mogelijke arrangementen van longaders. Om met dit aantal om te gaan, hebben ze de linkeratriumvormen gemodelleerd als een Gaussiaanse verdeling met meerdere modellen in de subruimte Principal Component Analysis, waarbij drie componenten het beste Bayesiaanse informatiecriterium leverden.

Standaard vormmodellering versus voorgestelde methode | Met dank aan onderzoekers

In dit experiment werden in totaal 207 monsters gebruikt, waarvan er 175 werden gebruikt voor gegevensvergroting en de overige werden gereserveerd voor netwerktesten (als niet-geobserveerde monsters).

Resultaten

Omdat de voorgestelde techniek werkt door vormbeschrijvingen uit afbeeldingen te leren, is deze met veelbelovende resultaten gebruikt voor automatische segmentatie van het linker atrium.

Lees:AI kan huidkanker nauwkeuriger detecteren dan ervaren artsen

Na vergelijking van deze techniek met de bestaande, geavanceerde vormanalyse-workflow die regelmatige menselijke tussenkomst en correspondentie-optimalisatie vereist, ontdekten ze dat de resultaten statistisch vergelijkbaar waren. De herhaling die wordt voorspeld door de diepe neurale netwerken is 90% nauwkeurig, met een fout van ±0,06%.