AI detecteert atriale fibrillatie-recidief met 90% nauwkeurigheid

• Een nieuwe deep learning-methode detecteert mogelijke signalen van atriale fibrillatie-recidief met 90% nauwkeurigheid.
• Hiervoor analyseert en leert het van driedimensionale cardiale MRI-beelden en genereert het een persoonspecifieke, landmark-gebaseerde anatomische representatie.

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

Hoge bloeddruk en steigende leeftijd zijn verantwoordelijk voor maximaal 22% van AFib-gevallen. Meestal verhoogt het het risico op een beroerte met 5 keer en veroorzaakt het 20% van de ischemische beroertes die optreden wanneer de bloedstroom naar de hersenen wordt geobstrueerd door vetafzettingen (plak) in de bloedvatwand.

Hoewel AFib niet direct levensbedreigend is, is het een ernstige aandoening die vaak spoedbehandeling vereist. In veel gevallen keert het na de behandeling terug. Om mogelijke signalen van recidief te detecteren, hebben onderzoekers van de Universiteit van Utah een deep learning-methode ontworpen die AFib met 90% nauwkeurigheid detecteert.

Hoe het werkt?

Diepe neurale netwerken gebruiken driedimensionale cardiale MRI-beelden om een persoonspecifieke, landmark-gebaseerde anatomische representatie te produceren, wat vervelende taken zoals handmatige preprocessing en segmentatie elimineert.

Om AFib-recidief te voorspellen, analyseert het de vorm van de linkerboezem (één van de vier kamers van het hart) en zoekt naar onregelmatigheden. Echter, het netwerk kan niet efficiënt getraind worden met beperkte monsters. Daarom pasten onderzoekers een data-augmentatiebenadering toe om meer statistisch haalbare informatie te produceren, en zo het netwerk te trainen terwijl het risico op overfitting wordt verminderd.

Het convolutionele neurale netwerk is getraind op honderden MRI-beelden, 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 nauwkeurigheid van het netwerk te verbeteren.

Referentie: arXiv:1810.00475 | Universiteit van Utah

Specifiek vertoont de structuur van de linkerboezem een clustering in de vormruimte door het enorme aantal mogelijke rangschikkingen van longvenen. Om met dit aantal om te gaan, modeleerden ze de vormen van de linkerboezem als een multi-modale Gauss-verdeling in de Principal Component Analysis-subruimte, met drie componenten die het beste Bayesiaanse informatiecriterium boden.

Standaard vormmodellering vs voorgestelde methode | Met dank aan de onderzoekers

In dit experiment werden in totaal 207 monsters gebruikt, waarvan 175 voor data-augmentatie en de overige apart gezet voor netwerktesten (als niet-waargenomen monsters).

Resultaten

Omdat de voorgestelde techniek werkt door vormdescriptoren uit beelden te leren, is deze gebruikt voor automatische segmentatie van de linkerboezem met veelbelovende resultaten.

Lees ook: AI kan huidkanker nauwkeuriger detecteren dan ervaren artsen

Na vergelijking van deze techniek met de bestaande state-of-the-art vormanalyse-workflow die regelmatige menselijke interventie en correspondentie-optimalisatie vereist, vonden ze dat de resultaten statistisch vergelijkbaar waren. Het recidief voorspeld door de diepe neurale netwerken is 90% nauwkeurig met een foutmarge van ±0,06%.