Integrovaný systém pro hodnocení stability karotického plaku na základě umělé inteligence

Cévní mozková příhoda je globální onemocnění s vysokou úmrtností a invaliditou. Hodnocení stability karotického plaku má důležitý klinický význam pro prevenci cévní mozkové příhody.

Ultrazvuk se jako praktická, rychlá, neinvazivní, neradiativní inspekční technika široce používá při hodnocení stability karotického plaku. Existuje mnoho metod hodnocení stability karotického plátu ultrazvukem. Vlastnosti textur extrahované z dvourozměrných ultrazvukových snímků lze použít ke kvantifikaci jemných rozdílů v následném skenování. Elastografii plaků lze použít ke kvantifikaci změn v elastických vlastnostech reaktivních plaků. Kontrastní ultrazvuk (CEUS) lze použít ke kvantifikaci hustoty mikrocév. Výsledky získané těmito různými metodami jsou však zkreslené a vykazují špatnou shodu. Chybí nám jednotný systém systematického hodnocení a objektivní směrnice pro hodnocení stability plaku. V této souvislosti bylo téma hodnocení stability plaku intenzivně zkoumáno výzkumníky z celého světa. Na základě nejmodernějšího hodnocení jsme zjistili, že některé pláty, které byly na ultrazvuku posouzeny jako stabilní, nakonec praskly. Naopak některé nestabilní plaky na ultrazvuku mrtvici nezpůsobily. Tento zmatek naznačuje, že prasknutí plaku nesouvisí pouze s jeho vnitřními charakteristikami, jako je velikost, tvar, složení atd., ale také s vnějšími faktory, jako je biomechanika, napětí, proudové pole atd. Aby bylo možné lépe porozumět patologickému chování plaku, je nutné studovat hemodynamické problémy v tepnách, jako je smykové napětí stěny, separace toku a sekundární tok. Nedávný rychlý vývoj v technikách umělé inteligence byl široce používán v lékařském zobrazování a analýze obrazu. Tyto techniky umožňují učení pod dohledem s plným využitím dostupných velkých dat. Hlavním účelem této studie je proto použití techniky umělé inteligence k i) vyhodnocení řady ukazatelů včetně histologie plaku, hemodynamiky atd., ii) stanovení jednotných a kvantitativních kritérií pro posuzování stability karotického plaku.

Klíčovým vědeckým problémem, který má tento projekt řešit, je vytvořit objektivní model pro predikci rizika ruptury karotického plátu pro klinické rozhodování.

Lze jej rozdělit především do tří hlavních modulů: vytvoření databáze, školení modelu a klinické ověření.

1. Založení databáze

1. Získávání klinických informací o pacientech ze systému elektronických lékařských záznamů.
2. Využití technik analýzy obrazu v ultrazvukových snímcích ke studiu vztahu mezi různými parametry textury obrazu a histologickým složením plaku. Bude zaveden způsob hodnocení stability karotického plaku na základě parametrů textury.
3. Využití ultrazvukové (smykové vlny) elastografie k vytvoření metody pro hodnocení zranitelnosti karotického plátu na základě hodnocení elasticity tkáně.
4. Kombinace vektorového zobrazování karotidové rychlosti s technikou manipulace s vírem krevního toku k dosažení přesného měření centrální polohy víru krevního toku zranitelného plaku a orbitálního momentu hybnosti, poskytuje novou techniku ​​pro detekci zranitelného plaku založenou na vortexovém vektorovém krevním toku. Nová technologie detekce bloků. Biomechanické charakteristiky arteriálních plátů budou hodnoceny detekcí synchronie a koordinace arteriální stěny. Bude také zkoumán vztah mezi biomechanickými charakteristikami a stabilitou různých typů plaků v srdečním cyklu.
5. Využití kvantitativní CEUS analýzy a lokalizační mikroskopie ke studiu vztahu mezi CEUS a neovaskularizací v karotických plátech se zaměřením na vliv hustoty mikrocév, architektury a dalších kvantitativních znaků extrahovaných z CEUS. Na základě těchto znaků bude navržen a vyhodnocen predikční model ruptury plátu.
6. Využití počítačového modelování dynamiky tekutin ke studiu účinků geometrických změn na lokální hemodynamiku a distribuci koncentrace krevních složek během růstu plaku. Dále bude provedena analýza mechanismu růstu plaku a jeho vlivu na hemodynamiku.

2. Model hlubokého učení Po získání všech výše uvedených parametrů bude pomocí strojového učení studována korelace mezi těmito parametry a stabilitou karotického plaku.

Bude navržen klasifikátor strojového učení, který převezme extrahované funkce jako vstup. Výběr rysů bude implementován prostřednictvím k-násobné křížové validace, aby se identifikoval soubor komplementárních rysů, které nejvíce přispívají k posouzení stability plátu a predikci ruptury plátu. Zejména se zaměřujeme na predikci, zda dojde k cévní mozkové příhodě do 1 roku. Až bude k dispozici dostatek dat, bude také navržena a vycvičena hluboká konvoluční neuronová síť, aby se naučila predikční model. V tomto procesu bude riziko nadměrného vybavení pečlivě zváženo vyhodnocením klasifikačního výkonu během tréninkových, testovacích a ověřovacích sad.

V důsledku toho bude složitost modelu přizpůsobena dostupným tréninkovým sadám.

3. klinické hodnocení Validace vyvinutého modelu predikce cévní mozkové příhody z ruptury karotických plátů bude rozšířena na řadu nemocnic. Bude testována spolehlivost a použitelnost modelu. Aktualizace a vylepšování modelu se předpokládá cyklickým způsobem s využitím klinických výsledků a zpětné vazby. Pomocná podpora rozhodování s mírou přesnosti se očekává na úrovních, které nejsou nižší než 90 %.