Разработка моделей ИИ для автоматического выявления врожденных заболеваний сердца при детской визуализации
Клиническая необходимость раннего выявления врожденных заболеваний сердца
Распространенность и влияние врожденных заболеваний сердца
Врожденные болезни сердца (ВЗС) являются структурными аномалиями сердца или больших сосудов, присутствующих при рождении. Они затрагивают примерно 1% живых родов во всем мире, что делает их наиболее распространенным типом врожденного дефекта. Только в Соединенных Штатах почти 40 000 младенцев рождаются с ИБС каждый год. Без своевременной диагностики и вмешательства многие из этих дефектов приводят к серьезным осложнениям, включая сердечную недостаточность, легочную гипертензию, задержки развития и преждевременную смерть. Раннее выявление поэтому не просто полезно - это спасительное. Хирургическая коррекция или вмешательства на основе катетера, выполняемые в течение первого года жизни, значительно улучшили выживаемость, но успех зависит от точной и ранней идентификации конкретного дефекта.
Ограничения обычных диагностических методов
Стандартный диагностический рабочий процесс для ИБС опирается на комбинацию физического обследования, ультразвука плода, постнатальной эхокардиографии и расширенной поперечной визуализации. Каждый из этих методов имеет неотъемлемые ограничения. Эхокардиография плода, например, зависит от оператора и может пропустить тонкие поражения. Послеродовая эхокардиография у младенцев является сложной из-за небольших сердечных структур, высоких частот сердечных сокращений и движения пациента. Ручная интерпретация сердечной МРТ и КТ требует много времени и требует специальных знаний, которые не являются единообразно доступными, особенно в сельских или недостаточно обслуживаемых условиях. Кроме того, вариабельность между кардиологами может привести к задержке или неправильной диагностике. Эти пробелы катализировали интерес к искусственному интеллекту (ИИ) в качестве инструмента для повышения производительности человека, уменьшения диагностических ошибок и расширения доступа к интерпретации на уровне экспертов.
Модальности педиатрической визуализации для диагностики ИБС
Эхокардиография
Эхокардиография остается модальностью визуализации первой линии для подозреваемых ИБС. Она неинвазивна, не содержит радиации и может быть выполнена у постели. Двумерная, доплеровская и трехмерная эхокардиография предоставляют подробную анатомическую и функциональную информацию. Однако качество изображения у новорожденных часто ухудшается из-за небольших акустических окон, быстрого сердечного движения и тени от ребер или легких. Модели ИИ - особенно сверточные нейронные сети (CNN) - были обучены автоматически сегментировать сердечные камеры, измерять фракцию выброса, обнаруживать дефекты септа от эхокардиографических видеопетлей. Недавние исследования сообщили о чувствительности и специфичности выше 90% для обнаружения основных категорий ИБС с использованием глубокого обучения на апикальных четырехкамерных видах.
Кардиологическая МРТ
Кардиологическая магнитно-резонансная томография (МРТ) предлагает превосходный контраст мягких тканей и считается золотым стандартом для оценки объемов желудочков, функций и характеристик тканей миокарда. У педиатрических пациентов МРТ часто выполняется под общей анестезией или седации для минимизации артефактов движения. Анализ сердечной МРТ на основе ИИ может автоматизировать контурирование миокарда и пула крови, количественно определять поток через шунты или клапаны и обнаруживать аномальные паттерны усиления. Например, архитектура U-Net использовалась для сегментации правого и левого желудочков в педиатрических наборах данных МРТ сердца, достигая показателей Dice, сопоставимых с экспертной ручной сегментацией, при сокращении времени анализа более чем на 80%.
КТ ангиография
Компьютерная томографическая ангиография (КТА) все чаще используется для предоперационного планирования сложных ИБС, особенно когда требуется детальная оценка внесердечной сосудистой анатомии. КТА подвергает педиатрических пациентов ионизирующей радиации, поэтому оптимизация дозы имеет решающее значение. ИИ может помочь автоматически определить оптимальную фазу усиления контраста, уменьшить необходимость повторного сканирования и сегментирования сосудистых структур, таких как аорта, легочные артерии и аномальные сосуды. Глубокие алгоритмы обучения были разработаны для обнаружения коарктации аорты и аномальной легочной венозной доходности от объемов КТА с высокой точностью, помогая расставить приоритеты неотложных случаев в занятых радиологических отделениях.
Создание моделей ИИ для автоматического обнаружения
Приобретение и курирование данных
Основой любой надежной модели ИИ является высококачественный, разнообразный и хорошо маркированный набор данных. Для детской кардиовизуализации получение данных особенно сложно. Этические и логистические препятствия ограничивают доступность больших, открыто распространяемых наборов данных. Многие учреждения полагаются на ретроспективные коллекции из электронных медицинских записей, которые часто страдают от неполных метаданных, протоколов переменной визуализации и непоследовательного качества изображения. Для преодоления этих проблем многоцентровые коллаборации, такие как Консорциум детской кардиомиологического генома и Альянс детской сердечно-сосудистой визуализации, начали агрегировать стандартизированные данные визуализации. Деидентификацию и соответствие HIPAA необходимо обеспечить, прежде чем данные могут быть использованы для обучения модели. Методы сохранения конфиденциальности, такие как федеративное обучение, позволяют нескольким учреждениям обучать общую модель без обмена необработанными изображениями.
Аннотация и основная истина
Экспертная аннотация — это шаг по ограничению скорости в разработке ИИ для ИБС. Два или три сертифицированных педиатрических кардиолога или радиолога должны вручную маркировать каждый образ или видеокадр, очерчивая области интереса (например, желудочковую перегородку, предсердную перегородку, клапанные листки) и назначая диагноз. Межрежимное соглашение измеряется с использованием метрик, таких как каппа Коэна; случаи с несогласием оцениваются консенсусом или третьим читателем. Для масштабирования усилий по аннотации могут использоваться полуавтоматизированные инструменты сегментации и активные стратегии обучения. В активном обучении модель идентифицирует наиболее неопределенные случаи для человеческого обзора, тем самым максимизируя информацию, полученную за усилие аннотации. Публично доступные аннотированные наборы данных, такие как база данных детской эхокардиографии из Университета Вирджинии, обеспечивают отправную точку, но остаются ограниченными по размеру и разнообразию.
Выбор модели архитектуры
Глубокое обучение стало доминирующей парадигмой для анализа медицинских изображений. Для выявления ИБС оказались эффективными несколько архитектур:
- Связывающие нейронные сети (CNN): Классические архитектуры, такие как ResNet, DenseNet и EfficientNet, используются для задач классификации — например, для отличия нормальной от ненормальной эхокардиограммы или классификации подтипов CHD. Эти модели изучают иерархические особенности на входах пиксельного уровня.
- U-Net и варианты: Для сегментации кардиальных структур на уровне пикселей U-Net с пропускными связями является популярным выбором.Внимание U-Net, nnU-Net и другие варианты улучшают точность сегментации для небольших или неправильно сформированных структур, таких как перегородка предсердий у новорожденных.
- Видовые трансформаторы (Vision Transformers: ] Совсем недавно модели на основе трансформаторов, которые обрабатывают изображения в виде последовательностей патчей, показали перспективность для захвата глобального контекста. В педиатрической кардиомографии гибриды, сочетающие CNN с трансформаторами, превзошли чистые CNN по таким задачам, как классификация зрения и выявление заболеваний, особенно когда данные обучения ограничены.
- Рекуррентная и временная сети:] Эхокардиография по своей сути является временной модальностью. Сети с длинной кратковременной памятью (LSTM) и временные сверточные сети могут быть объединены с CNN для использования моделей движения по сердечному циклу, помогая дифференцировать динамические особенности, такие как шунтирование дефекта желудочковой перегородки.
Обучение, валидация и тестирование
Разработка модели следует стандартному конвейеру. Набор данных разделен на наборы обучения (70-80%), валидации (10-15%) и тестирования (10-15%), стратифицированные по диагнозу для поддержания баланса классов. Увеличение данных - случайные вращения, сальто, масштабирование, сдвиги интенсивности - применяется во время обучения для улучшения обобщения. Обучение передаче, где модель, предварительно обученная на больших естественных наборах данных изображений (например, ImageNet), тонко настроена на медицинских изображениях. Обучение обычно требует ускорения GPU и может занимать от часов до дней в зависимости от сложности модели. Настройка гиперпараметра выполняется на наборе проверки с использованием поиска по сетке или байесовской оптимизации. Окончательная модель блокируется и оценивается один раз на тестовом наборе для сообщения о объективных показателях производительности. Общие показатели включают точность, чувствительность, специфичность, положительную прогностическую ценность, площадь под кривой рабочих характеристик приемника (AUC) и коэффициент Dice для сегментации.
Решение уникальных проблем в педиатрическом ИИ
Малая анатомия и артефакты движения
Детские сердечные структуры на порядок меньше, чем взрослые структуры. Неонатальный левый желудочек может иметь длину всего 15-20 мм. Разрешение изображения часто недостаточно для захвата мелких деталей тонкой септы или небольших клапанов. Кроме того, младенцы не могут удерживать неподвижность или задерживать дыхание, что приводит к артефактам движения, которые заслоняют границы. Модели ИИ должны научиться быть надежными для этих артефактов. Стратегии включают в себя устойчивые к движению последовательности получения изображений (например, в режиме реального времени с помощью синтетической МРТ), обучение по расширенным данным с имитированным размытием движения и использование механизмов внимания, которые фокусируются на надежных анатомических ориентирах. Методы адаптации домена также могут помочь моделям, обученным на взрослых данных, адаптироваться к педиатрической анатомии.
Дефицит данных и дисбаланс классов
Редкие подтипы ИБС, такие как truncus arteriosus или полная аномальная легочная венозная отдача, могут появляться только несколько раз в базе данных одного учреждения. Дисбаланс класса приводит к тому, что модели смещены в сторону общих классов (например, дефект перегородки предсердий), при этом отсутствуют редкие, но критические диагнозы. Решения включают избыточную выборку, синтетическую генерацию данных с использованием генеративных состязательных сетей (GAN) и экономически чувствительное обучение, где функция потерь наказывает неправильное классификацию редких случаев более сильно. Альтернативно, можно представить задачу как обнаружение аномалий: обучить модель нормальным педиатрическим сердцам и отклонения флага как потенциальные ИБС, минуя необходимость исчерпывающих данных подкласса.
Обобщение по всему населению
Модель ИИ, обученная в крупном академическом медицинском центре, может плохо работать при развертывании в общественной больнице, обслуживающей другую демографию. Различия в оборудовании для визуализации, протоколах приобретения, этнической принадлежности пациентов, распределении возраста и тяжести заболевания, способствуют сдвигу домена. Внешняя проверка на многоинституциональных наборах данных имеет важное значение перед клиническим развертыванием. Обучение на нескольких сайтах с использованием федеративного обучения или состязательного обучения домена может помочь моделям изучить инвариантные функции. Также могут потребоваться корректировки калибровки, чтобы гарантировать, что показатели доверия остаются надежными в разных настройках.
Оценка метрик и клинической интеграции
Развертывание модели ИИ для обнаружения ИБС в реальном клиническом рабочем процессе требует более чем хорошей производительности тест-системы. Модель должна быть интегрирована в систему архивирования изображений и связи (PACS) или машину эхокардиографии, доставляя результаты в режиме реального времени интерпретирующему врачу. Для приложений скрининга первостепенное значение имеет высокая чувствительность (низкая ложноотрицательная скорость), чтобы избежать пропуска опасного для жизни дефекта. Для подтверждения диагноза также требуется высокая специфичность, чтобы минимизировать ненужные процедуры наблюдения. Клинически значимые пороги могут быть установлены с использованием анализа кривой принятия решений, который взвешивает преимущества истинных положительных результатов против вреда ложноположительных результатов.
Несколько проспективных исследований уже продемонстрировали осуществимость обнаружения ИБС с помощью ИИ. Например, исследование 2023 года, проведенное Mo et al. , встроило алгоритм глубокого обучения в портативное ультразвуковое устройство; в исследовании 1000 младенцев ИИ выявил критические ИБС с чувствительностью 95% и специфичностью 91%. В другом исследовании с использованием автоматической сегментации сердечной МРТ сообщалось о сокращении времени ручного считывания при сохранении клинической точности Li et al., 2022 . Эти результаты подчеркивают потенциал ИИ для увеличения — а не замены — кардиолога, что позволяет им сосредоточиться на сложных случаях и общении с пациентами.
Этические и нормативные соображения
Разработка и внедрение ИИ для выявления ИБС у детей несет четкие этические обязанности. Ставки высоки: ложноотрицательный результат может означать, что новорожденный выписан домой с недиагностированным летальным дефектом. Поэтому пути одобрения регулирующих органов, такие как клиренс FDA 510 (k) или маркировка CE в соответствии с Регламентом ЕС о медицинских устройствах, требуют строгой клинической проверки. Большинство инструментов визуализации сердца на основе ИИ, в настоящее время на рынке, очищены для сортировки или определения приоритетов рабочего процесса, а не автономного диагноза. Полное автономное обнаружение, вероятно, потребует перспективных рандомизированных контролируемых испытаний, демонстрирующих неполноценность по сравнению с группой экспертов.
Предвзятость является еще одной критической проблемой. Если данные об обучении недопредставляют определенные этнические группы или социально-экономические слои, модель может работать неравномерно. Например, модель, обученная преимущественно на кавказских младенцах, может неправильно диагностировать ИБС у азиатских или африканских младенцев из-за различий в размерах сердца. Разработчики должны проверять модели для работы в подгруппах и учитывать методы обучения, учитывающие справедливость. Наконец, прозрачность и объяснимость необходимы: клиницисты должны понимать, почему модель отмечена аномалией. Такие методы, как карты заметности, Grad-CAM и объяснения на основе концепции, могут помочь построить доверие и облегчить клиническое принятие.
Будущие направления и выводы
Заглядывая вперед, несколько достижений обещают ускорить клиническое воздействие ИИ в детской кардиологии. Мультимодальные модели, которые сочетают данные визуализации с клиническим текстом (например, электронные медицинские записи, хирургические заметки) могут повысить диагностическую точность путем включения контекстной информации. Самоконтролируемое обучение, где модели предварительно обучены на обширных немаркированных архивах изображений, снижает зависимость от дорогостоящих аннотаций. ИИ в реальном времени во время ультразвукового исследования плода может обеспечить пренатальное обнаружение ИБС, что позволяет планировать доставку в третичный центр.
Кроме того, интеграция ИИ с другими новыми технологиями, такими как 3D-печать моделей сердца для конкретного пациента для хирургического планирования или наложения дополненной реальности во время катетеризации, может создать всеобъемлющую цифровую экосистему для управления ИБС. Разработка глобальных инициатив в области здравоохранения (фактологический бюллетень ВОЗ по ИБС) в сочетании с открытыми средами ИИ может помочь довести эти инструменты до настроек с низкими ресурсами, где бремя недиагностированного ИБС является самым высоким.
В заключение, модели искусственного интеллекта для автоматического обнаружения врожденных сердечных заболеваний переходят от исследовательской скамьи к постели. Автоматизируя анализ эхокардиограмм, сердечной МРТ и КТ, эти модели могут помочь клиницистам диагностировать ИБС раньше, точнее и более последовательно. Продолжительный прогресс зависит от сбора разнообразных высококачественных наборов данных; разработки алгоритмов, надежных для уникальных проблем педиатрической визуализации; и навигации по этическим и нормативным основам, которые отдают приоритет безопасности пациентов. С этими усилиями ИИ становится незаменимым партнером в борьбе с наиболее распространенным врожденным дефектом в мире. Для дальнейшего чтения см. научное заявление Американской кардиологической ассоциации об ИИ в сердечно-сосудистой визуализации и недавний обзор в Радиология , охватывающая глубокое обучение в педиатрической сердечной КТ.