Hluboké učení aplikované na prosté radiografické sledování břicha po endovaskulární opravě aneuryzmatu (EVAR) aneuryzmatu břišní aorty (AAA) (DeepLearn)

Aneuryzma břišní aorty (AAA) je stav, při kterém se břišní aorta, velká tepna, postupně rozšiřuje v důsledku degenerativního procesu v její stěně. To může vést k protržení oslabené stěny s následnou exsangvinací do břicha. Tento scénář je obvykle fatální. Průměr aneuryzmatu pozitivně koreluje s rizikem ruptury. Velikost aneuryzmatu je proto primárním určujícím faktorem při zvažování, zda elektivně opravit AAA či nikoliv.

Endovascular aneurysm repair (EVAR) se stala standardní léčbou AAA u naprosté většiny pacientů. Jde o minimálně invazivní techniku, jejímž cílem je vyloučit aneuryzma z oběhu umístěním syntetického „stentgraftu“ do lumenu aorty. Kovové ostny i radiální síla udržují polohu stentgraftu v neaneuryzmatické aortě nad aneuryzmatem i v ilických tepnách pod aneuryzmatem.

Důkazy úrovně 1 konzistentně prokázaly lepší perioperační přežití s ​​EVAR ve srovnání s tradiční otevřenou operací. Existují však obavy ohledně dlouhodobé trvanlivosti stentgraftů EVAR, kdy 1 z 5 pacientů vyžaduje další operaci aneuryzmatu během 5 let po operaci. To je často způsobeno poruchou polohy a integrity stentgraftu. Standardní mezinárodní praxí je proto doživotní sledování pacientů po EVAR. To je obvykle ve formě obyčejných rentgenových snímků v kombinaci s počítačovou tomografií (CT) nebo duplexním ultrazvukovým skenováním, vše prováděné na roční bázi.

Stentgrafty jsou viditelné na prostém rentgenovém snímku břicha a porovnáním sérií snímků pořízených v průběhu času je možné diagnostikovat nesčetné množství problémů se stentgrafty včetně migrace, rozpadu a deformace. Tyto změny však mohou být na obyčejných rentgenových snímcích nepatrné a obtížně rozpoznatelné i pro nejtrénovanější lidské oko. V důsledku toho pacienti podstupují podrobnější skenování, která bohužel s sebou nesou riziko nefrotoxicity a radiací indukované malignity.

Cílem našeho výzkumu je zlepšit diagnostický potenciál prostých rentgenových snímků aplikací moderních počítačových algoritmů hlubokého učení pro interpretaci.

Umělá inteligence (AI) ve formě hlubokého učení prokázala v posledních letech velký úspěch v řadě náročných problémů. Úspěch hlubokého učení je z velké části podpořen pokroky ve výkonných grafických procesorových jednotkách (GPU). GPU nám umožňují urychlit trénovací algoritmy o řády, čímž se doba běhu z týdnů zkrátí na dny.

Naše studie prozkoumá použití umělé inteligence při interpretaci sérií anonymizovaných prostých rentgenových snímků k identifikaci rysů selhávajícího stentgraftu.

Algoritmus hlubokého učení bude aplikován na prosté rentgenové snímky po EVAR, které již byly provedeny v naší instituci v Anglii za posledních 10 let. Poté porovnáme účinnost stroje při identifikaci problémů souvisejících se stentgraftem se známými výsledky identifikovanými dříve lidskou interpretací.

Tento projekt se bude opírat o nedávné pokroky v technikách hlubokého učení. Očekává se, že hluboké učení přinese dobrý výkon pro dohled EVAR v souladu s jeho úspěšnou aplikací v oblastech, jako je rozpoznávání číslic, čínských znaků a dopravních značek, kde počítače dosahují lepší přesnosti než lidé.