Методы машинного обучения для автоматического анализа гри

Кардиологическая магнитно-резонансная томография (МРТ) является краеугольным камнем для диагностики и мониторинга широкого спектра сердечно-сосудистых заболеваний, предлагая превосходный контраст мягких тканей и способность количественно определять сердечную функцию, перфузию и жизнеспособность. Однако ручная интерпретация этих мультимодальных изображений не только отнимает много времени, но и подвержена вариабельности между считывателями и усталости человека. Машинное обучение и, в частности, глубокое обучение быстро трансформировали ландшафт автоматизированного анализа МРТ сердца, обеспечивая более быстрое, более последовательное и часто более точное извлечение клинически значимых показателей. Изучая сложные шаблоны из больших объемов данных визуализации, эти методы могут автоматизировать сегментацию сердечных камер, обнаруживать тонкие патологические изменения тканей и даже прогнозировать результаты пациентов - все без необходимости явного, ручного программирования на основе правил.

Основные методы машинного обучения для анализа сердечной МРТ

Свёрточные нейронные сети (CNN) и вариации

Свёрточные нейронные сети стали фактическим стандартом для задач сегментации и классификации изображений в сердечной МРТ. Их способность автоматически изучать иерархические пространственные особенности — от краев и текстур до анатомических структур высокого уровня — делает их особенно подходящими для очерчивания левого желудочка, правого желудочка и миокарда. Среди наиболее влиятельных архитектур — U-Net, полностью сверточная сеть с кодер-декодерными путями и пропускными соединениями. U-Net и его преемники (такие как Attention U-Net, Residual U-Net и nnU-Net) достигли самых современных результатов в публичных тестах, таких как Automated Cardiac Diagnosis Challenge (ACDC) и Multi-Centre, Multi-Vendor & Multi-Disease Cardiac Image Segmentation Challenge (M&Ms) . Эти модели могут сегментировать эндокардиальные и эпикардиальные

Помимо сегментации, CNNs используются для классификации заболеваний - например, для отличия гипертрофической кардиомиопатии от расширенной кардиомиопатии или выявления инфаркта миокарда на основе изображений с поздним усилением гадолиния. Трехмерные CNN расширяют эти возможности до объемных данных, захватывая пространственный контекст через целые 3D-стеки, а не по срезу, что улучшает согласованность в продольном анализе.

Рекуррентные нейронные сети и временное моделирование

Кардиологическая МРТ часто включает в себя кинопоследовательности, которые захватывают движение сердца в течение сердечного цикла. Для анализа этого временного измерения используются рекуррентные нейронные сети (RNN) и их варианты (LSTMs, GRUs). Интегрируя экстракторы функций CNN с RNN, гибридные модели могут прогнозировать кривые объемов желудочков с течением времени, идентифицировать аномальное движение стенок и обнаруживать аритмические триггеры. Совсем недавно пространственно-временные архитектуры, такие как CineGAN и ]Video U-Net , рассматривают всю кинопоследовательность как 4D-объем (3D + время), используя 3D-извилины вдоль временной оси для непосредственного захвата функций движения. Эти подходы улучшают точность автоматических расчетов фракции выброса и позволяют обнаруживать тонкую сократительную дисфункцию, которая может быть пропущена в однокадровом анализе.

Поддержка векторных машин и традиционное машинное обучение

В то время как глубокое обучение доминирует в современной литературе, традиционные методы машинного обучения, такие как машины вектора поддержки (SVM), случайные леса и скрытые модели Маркова, остаются ценными, особенно в условиях с ограниченными аннотированными данными. SVM могут классифицировать типы тканей на основе радиомических признаков, извлеченных из интенсивностей МРТ, текстур и морфологических дескрипторов. Например, ручные функции, такие как статистика гистограммы, матричные особенности серого уровня и дескрипторы формы из сегментированных желудочков, могут быть поданы в SVM для дифференциации ишемической и неишемической кардиомиопатии с высокой специфичностью. Эти подходы обеспечивают большую интерпретируемость, чем нейронные сети черного ящика, и требуют меньшей вычислительной мощности, что делает их пригодными для развертывания в ресурсо-сдержанных средах.

Трансфертное обучение и предварительно обученные модели

Одним из основных препятствий для применения глубокого обучения в сердечной МРТ является дефицит больших, полностью аннотированных наборов данных. Трансферное обучение смягчает это с помощью моделей, предварительно обученных на больших наборах данных естественного изображения (например, ImageNet) или на крупномасштабных медицинских наборах данных визуализации (например, CheXpert, RadImageNet), а затем тонкой настройки их на данных сердечной МРТ. Для сердечной МРТ модели могут быть предварительно обучены с использованием самоконтролируемого обучения на немаркированных последовательностях сине-МРТ - например, прогнозирование пространственного контекста или реконструкция замаскированных патчей. Этот подход, как было показано, значительно улучшает точность сегментации, когда доступно только несколько десятков меченых сканов, ускоряя путь к клиническому развертыванию.

Ключевые применения автоматизированного анализа МРТ сердца

Автоматическая сегментация сердечных камер и миокарда

Точная сегментация левого и правого желудочков, а также предсердных камер имеет основополагающее значение для количественной оценки сердечной функции. Модели машинного обучения теперь могут сегментировать все сердце за секунду, обеспечивая объемные измерения, которые часто более воспроизводимы, чем ручная контурация. Это особенно эффективно в продольных исследованиях, где небольшие изменения ручных трассировок могут вводить шум. Автоматизированная сегментация также позволяет использовать передовые показатели, такие как анализ толщины 3D-стенок и региональное картирование деформации, которые имеют прогностическое значение в условиях, таких как сердечная недостаточность с сохраненной фракцией выброса.

Обнаружение и количественное определение инфаркта миокарда

В визуализации поздних гадолиний (LGE) области рубцового или фиброзного миокарда выглядят яркими. Алгоритмы машинного обучения могут автоматически очерчивать инфарктные области и вычислять инфарктную массу и трансмуральность - критический параметр для прогнозирования восстановления после реваскуляризации. Свёрточные нейронные сети, обученные на изображениях LGE, также могут различать ишемические и неишемические паттерны позднего улучшения, помогая в диагностике миокардита, саркоидоза и амилоидоза. Недавние работы расширили это до последовательностей отображения T1 и T2, что позволяет полностью автоматизировать характеристику ткани без необходимости явной сегментации каждого среза.

Количественное определение объемов желудочков и фракции выброса

Отброс фракции левого желудочка является единственным наиболее широко используемым предиктором сердечной функции и прогноза при сердечной недостаточности. Автоматизированные подходы с использованием сетей глубокой сегментации продемонстрировали отличную корреляцию с экспертными измерениями, часто достигая средней абсолютной ошибки менее 5%. В сочетании с сегментацией левого и правого предсердий эти системы также могут вычислять объемы и функцию резервуара. Скорость автоматизации позволяет проводить анализ в режиме реального времени на сканере, позволяя клиницистам немедленно корректировать протоколы сканирования, если изображения недостаточно качественные.

Оценка характеристик тканей миокарда

Помимо геометрии, машинное обучение позволяет неинвазивную оценку состава ткани миокарда. Картирование T1, картирование T2 и внеклеточная объемная фракция (ECV) являются ключевыми биомаркерами диффузного фиброза, отеков и инфильтрации. Сквозные модели глубокого обучения теперь могут напрямую прогнозировать эти параметрические карты из нативных изображений с T1-взвешенным и T2-взвешенным весом, минуя необходимость в отдельных трубопроводах для получения и обработки. Кроме того, радиомические особенности, извлеченные из этих карт, могут помочь различать такие состояния, как амилоидоз сердца и гипертрофическая кардиомиопатия, которые имеют перекрывающиеся сигнатуры изображений, но значительно разные методы лечения.

Проблемы и ограничения в клиническом переводе

Несмотря на значительный прогресс, несколько проблем препятствуют обычному клиническому внедрению машинного обучения для анализа МРТ сердца. Гетерогенность данных остается основной проблемой: протоколы МРТ сердца, сильные стороны полей, последовательности, специфичные для поставщиков, и популяции пациентов широко варьируются. Модели, обученные на одном сканере или центре, часто ухудшаются при применении к новым данным, явление, известное как сдвиг домена. Многоцентровая, многовекторная и многоболезненная (M & Ms)] задача подчеркнула, что даже самые эффективные алгоритмы страдали снижением производительности на 10-20% при тестировании на невидимых поставщиках. Технологии адаптации домена, такие как неконтролируемый перевод изображений и контрастное обучение, являются активными областями исследований, направленными на улучшение обобщения.

Ограниченные аннотированные наборы данных также ограничивают разработку модели. Аннотирование сердечной МРТ — особенно сложных левожелудочковых оттоков, папиллярных мышц и трабекул — требует экспертных радиологов и может занять часы на сканирование. Существует мало общедоступных наборов данных (например, ACDC, M&Ms, UK Biobank кардиосегментации), и они часто охватывают только узкий спектр заболеваний. Для увеличения обучения изучаются синтетические данные с использованием генеративных состязательных сетей (GAN) и подходов к обучению с несколькими выстрелами, но клиническая валидность таких синтетических изображений требует тщательной проверки.

Интерпретируемость и доверие являются дополнительными барьерами. Клиницисты, по понятным причинам, неохотно действуют на черном ящике прогнозирования, особенно в решениях с высокими ставками, таких как хирургическое планирование. Объясняемые методы ИИ - такие как карты заметности, градиент-взвешенные карты активации класса (Grad-CAM) и векторы активации концепции - дают представление о том, какие области изображения приводят к решению модели. Однако эти объяснения могут быть неполными или вводящими в заблуждение. Регулирующие органы, такие как FDA и Европейский MDR, все чаще требуют доказательств не только производительности, но и надежности модели, справедливости и интерпретируемости до утверждения.

Регуляторная интеграция и интеграция рабочих процессов создают практические препятствия. Инструменты машинного обучения должны быть внедрены в существующие системы архивирования и связи радиологических изображений (PACS) и электронные медицинские записи (EHR) без нарушения клинического рабочего процесса. Кроме того, мониторинг после выхода на рынок и непрерывное обучение требуют надежного управления данными и механизмов обновления, которые все еще незрелы. Опрос кардиоснимков 2020 года показал, что, хотя большинство из них были оптимистичны в отношении потенциала ИИ, менее 20% использовали коммерчески доступный инструмент сердечной МРТ ИИ в своей практике.

Будущие направления и возможности

Многомодальная и многоомичная интеграция

Будущее анализа МРТ сердца заключается в объединении данных визуализации с генетическими, протеомными и электронными данными о здоровье. Модели машинного обучения, которые объединяют функции МРТ сердца с биомаркерами, такими как NT-proBNP или генетические оценки риска, могут улучшить прогнозирование неблагоприятных исходов, таких как внезапная сердечная смерть или госпитализация сердечной недостаточности. Например, недавнее исследование с использованием данных UK Biobank показало, что модель, сочетающая объемную МРТ, анализ текстуры и оценки полигенного риска, превзошла любую единственную модальность в прогнозировании сердечной недостаточности.

Федеративное обучение и сохранение конфиденциальности

Для преодоления ограничения небольших наборов данных в одном учреждении при уважении конфиденциальности пациентов федеративное обучение предлагает многообещающую парадигму. В этом подходе модели обучаются совместно в нескольких больницах без обмена необработанными данными изображений - обмениваются только обновлениями моделей. Ранние результаты в сегментации сердца показывают, что федеративные модели могут достигать производительности, сопоставимой с централизованно обученными моделями, даже с гетерогенными данными. В сочетании с методами дифференциальной конфиденциальности это может позволить проводить крупномасштабные многоцентровые исследования без ущерба для конфиденциальности пациентов.

Самоконтролируемое обучение и модели фундамента

Самоконтролируемое обучение, в котором модели получают полезные представления из немаркированных данных, решая предлоговые задачи (например, реконструкция замаскированных патчей, прогнозирование вращения изображений), готово уменьшить зависимость от дорогостоящих аннотаций. «модели основания» общего назначения, обученные на массивных, разнообразных медицинских хранилищах изображений, могут быть точно настроены для задач сердечной МРТ с минимальными маркированными примерами. Проекты RadImageNet и MedSAM являются ранними примерами таких моделей фундамента для конкретной области. Для сердечной МРТ модель фундамента, подготовленная на сотнях тысяч син и LGE, может значительно ускорить разработку новых приложений.

Анализ в режиме реального времени на сканере

Текущий анализ машинного обучения часто выполняется в автономном режиме после завершения исследования. Интеграция легких квантованных нейронных сетей непосредственно на консоль сканера позволит получить обратную связь в режиме реального времени: например, если автоматизированная сегментация идентифицирует плохое качество изображения или неполное покрытие, техник может быть предупрежден, а сканирование немедленно повторено или расширено. Эта система замкнутого цикла может уменьшить количество недиагностических исследований и повысить общую эффективность рабочего процесса. Аппаратные ускорители (например, NVIDIA Clara AGX) и методы сжатия модели (пранинг, дистилляция знаний) делают такой вывод в реальном времени все более осуществимым.

Регуляторные пути и клинические испытания

Для того, чтобы инструменты машинного обучения стали стандартом медицинской помощи, они должны пройти тщательную проверку в ходе проспективных клинических испытаний. Несколько платформ анализа сердечной МРТ на основе ИИ (например, Circle cvi42, Medis Suite, Arterys) получили маркировки CE или FDA, но большинство из них одобрены для постобработки, а не первичной диагностики. Следующим рубежом являются проспективные рандомизированные испытания, которые сравнивают чтение с помощью ИИ со стандартной медицинской помощью, измерение конечных точек, таких как время для диагностики, вариабельность между чтецами и результаты пациентов. Ранние данные из небольших испытаний показывают, что ИИ может сократить время отчетности до 40% при сохранении точности диагностики.

Заключение

Методы машинного обучения, от глубоких сверточных сетей до гибридных временных моделей и традиционных классификаторов, переопределяют возможности автоматизированного анализа МРТ сердца. Они позволяют быстро, воспроизводимо и все более точно извлекать клинически эффективны измерения - от объемов желудочков и фракции выброса до характеристики тканей и классификации заболеваний. В то время как проблемы неоднородности данных, дефицита аннотации, интерпретируемости и нормативного согласования остаются, продолжающиеся достижения в области адаптации, самоконтролируемого обучения, федеративного обучения и вывода в реальном времени обещают преодолеть разрыв между исследованиями и обычной клинической практикой. По мере того, как эти технологии созревают, они имеют потенциал не только для оптимизации рентгенологических рабочих процессов, но и для повышения скорости и точности диагностики сердца, что в конечном итоге приводит к лучшим результатам для пациентов.

Для дальнейшего чтения по техническим бенчмаркам см. ACDC Challenge и M&Ms Challenge. Обзор приложений глубокого обучения в сердечной МРТ можно найти в European Radiology, а обзор стратегий адаптации домена представлен в Proceedings of CVPR.