Sztuczna inteligencja ujawnia wysokie ryzyko płytki miażdżycowej w obrazowaniu OCT
Badania pokazują, jak sztuczna inteligencja może poprawić obrazowanie OCT, umożliwiając lepszą identyfikację płytek bogatych w lipidy w tętnicach wieńcowych.
Badacze wykazali, jak sztuczna inteligencja może poprawić tomografię optyczną (OCT), aby lepiej identyfikować płytki bogate w lipidy w tętnicach wieńcowych. To ważny krok w kierunku wcześniejszego wykrywania zmian wysokiego ryzyka, które mogą prowadzić do zawałów serca.
OCT jest szeroko stosowane podczas interwencji wieńcowych, takich jak wszczepianie stentów, ponieważ dostarcza obrazów o wysokiej rozdzielczości struktur naczyń. Jednak konwencjonalne OCT oferuje ograniczone informacje na temat składu ściany naczynia, podczas gdy skład płytki, szczególnie zawartość lipidów, jest kluczowym wskaźnikiem ryzyka sercowo-naczyniowego.
„Płytki z większą ilością lipidów i określonymi wzorcami ich rozmieszczenia są silnie związane z ryzykiem poważnych zdarzeń sercowych” – wyjaśnia Hyeong Soo Nam, lider zespołu badawczego w Korea Advanced Institute of Science and Technology. „Analizując informacje zależne od długości fali ukryte w sygnale OCT i łącząc je z AI, byliśmy w stanie zidentyfikować obecność i rozmieszczenie lipidów w ścianie naczynia.”
Informacje spektralne z obrazów OCT
W badaniu opublikowanym w Biomedical Optics Express badacze opisują metodę, która wydobywa informacje spektralne z standardowych obrazów OCT i wprowadza je do modelu głębokiego uczenia. Efektem jest zautomatyzowana, ilościowa ocena rozmieszczenia lipidów bez potrzeby modyfikacji sprzętu, co czyni podejście kompatybilnym z systemami OCT już stosowanymi w klinikach.
Według Nama, technologia ta może dodać cenny kontekst podczas interwencji wieńcowych. „Podczas interwencji wieńcowej ta metoda może dostarczyć klinicystom dodatkowych informacji wspierających ocenę ryzyka, planowanie procedur i ocenę odpowiedzi na leczenie” – mówi. „Ostatecznie ma potencjał przyczynić się do bezpieczniejszego podejmowania decyzji klinicznych, bardziej zindywidualizowanych strategii leczenia i poprawy długoterminowego zarządzania pacjentami z chorobą wieńcową.”
Wykraczając poza interpretację wizualną
Obecnie identyfikacja płytek bogatych w lipidy na obrazach OCT w dużej mierze zależy od doświadczenia klinicysty. Aby rozwiązać ten problem, zespół badawczy współpracował przez kilka lat z klinicystami w Korea University Guro Hospital. Wcześniejsze prace wykazały, że spektroskopowe OCT może ujawniać optyczne sygnatury związane z lipidami w płytkach miażdżycowych. „To nowe badanie rozwija to, rozszerzając je o nowoczesne techniki głębokiego uczenia, aby znacznie poprawić dokładność i niezawodność detekcji” – mówi Nam.
Różne typy tkanek, takie jak lipidy, tkanka włóknista i wapń, w różny sposób oddziałują ze światłem. Ucząc się tych subtelnych wzorców sygnałów, model AI może automatycznie oznaczać obszary prawdopodobnie zawierające płytki bogate w lipidy. Ważne jest, że podejście to zmniejsza potrzebę pracochłonnych adnotacji na poziomie pikseli.
„W przeciwieństwie do wielu konwencjonalnych systemów AI, które wymagają od ekspertów żmudnego oznaczania obszarów lipidowych na poziomie pikseli, nasze podejście uczy się z dużo prostszych adnotacji na poziomie klatki, które wskazują tylko, czy lipidy są obecne, czy nie” – zauważa Nam. „To znacznie obniża obciążenie adnotacji i czyni metodę znacznie bardziej praktyczną do zastosowania w rzeczywistych warunkach klinicznych.”
Walidacja i następne kroki
Metoda została zwalidowana przy użyciu danych obrazowania wewnątrznaczyniowego z modelu królika z miażdżycą, a prognozy AI porównano z histologicznym barwieniem specyficznym dla lipidów. Wyniki wykazały silną zgodność między wynikami AI a ustaleniami patologicznymi, zarówno pod względem dokładności klasyfikacji, jak i lokalizacji przestrzennej.
Badacze koncentrują się teraz na poprawie szybkości przetwarzania i niezawodności, aby wspierać użycie w czasie rzeczywistym w klinice. Planowane są dodatkowe walidacje z danymi z tętnic wieńcowych ludzi oraz wysiłki na rzecz płynnej integracji technologii w istniejące procesy kliniczne.
Źródło: https://www.icthealth.org/news/ai-reveals-high-risk-coronary-plaques-in-oct-imaging
Źródło: www.icthealth.org