Dyb indlæring anvendt til almindelig abdominal røntgenovervågning efter endovaskulær aneurismereparation (EVAR) af abdominal aortaaneurisme (AAA) (DeepLearn)

Abdominal aortaaneurisme (AAA) er en tilstand, hvor den abdominale aorta, en stor arterie, udvider sig gradvist, sekundært til en degenerativ proces inden for dens væg. Dette kan føre til sprængning af den svækkede væg med efterfølgende blødning i maven. Dette scenarie er normalt fatalt. Diameteren af ​​aneurismet korrelerer positivt med risikoen for ruptur. Aneurismes størrelse er derfor den primære determinant, når man overvejer, om AAA'er skal repareres eller ej.

Endovaskulær aneurismereparation (EVAR) er blevet standardbehandlingen for AAA'er hos langt de fleste patienter. Det er en minimalt invasiv teknik, der har til formål at udelukke aneurismen fra cirkulationen ved at placere et syntetisk "stent-graft" i aorta-lumen. Metalliske modhager samt radial kraft opretholder stent-graft-position i ikke-aneurysmal aorta over aneurismen såvel som i iliaca arterierne under aneurismen.

Niveau 1-evidens har konsekvent vist forbedret perioperativ overlevelse med EVAR sammenlignet med traditionel åben kirurgi. Der er dog betænkeligheder med hensyn til langtidsholdbarheden af ​​EVAR-stentgrafter, hvor 1 ud af 5 patienter har behov for yderligere operation af aneurismen i de 5 år efter operationen. Dette skyldes ofte svigt af stentgraftens position og integritet. Derfor er standard international praksis at holde patienter under livslang overvågning efter EVAR. Dette er normalt i form af almindelige røntgenbilleder i kombination med enten computertomografi (CT) eller duplex ultralydsscanninger, alt sammen udført på årsbasis.

Stentgrafter er synlige på almindelige røntgenbilleder af abdomen, og ved at sammenligne serier af billeder taget over tid, er det muligt at diagnosticere et utal af stentgraftproblemer, herunder migration, disintegration og forvrængning. Men disse ændringer kan være subtile på almindelige røntgenbilleder og svære at få øje på, selv for det mest trænede menneskelige øje. Som følge heraf gennemgår patienter mere detaljerede scanninger, der desværre indebærer en risiko for nefrotoksicitet og strålingsinduceret malignitet.

Målet med vores forskning er at forbedre det diagnostiske potentiale af almindelige røntgenbilleder ved at anvende moderne deep learning computeralgoritmer til fortolkning.

Kunstig intelligens (AI) i form af deep learning har i de senere år vist stor succes på adskillige udfordrende problemer. Succesen med deep learning er i vid udstrækning understøttet af fremskridt inden for kraftfulde grafikbehandlingsenheder (GPU'er). GPU'er gør det muligt for os at fremskynde træningsalgoritmer i størrelsesordener, hvilket bringer løbetider på uger ned til dage.

Vores undersøgelse vil undersøge brugen af ​​kunstig intelligens til fortolkning af serier af anonymiserede almindelige røntgenbilleder for at identificere træk ved en svigtende stent-graft.

En deep-learning-algoritme vil blive anvendt til post-EVAR almindelige røntgenbilleder, som allerede er blevet udført på vores institution i England i løbet af de sidste 10 år. Vi vil derefter sammenligne maskinens effektivitet til at identificere stent-graft-relaterede problemer med de kendte resultater, der er identificeret ved menneskelig fortolkning tidligere.

Dette projekt vil stole på de seneste fremskridt inden for deep learning-teknikker. Det forventes, at dyb læring vil give god ydeevne til EVAR-overvågning i overensstemmelse med dens succesfulde anvendelse på domæner såsom genkendelse af cifre, kinesiske tegn og trafikskilte, hvor computere har produceret bedre nøjagtighed end mennesker.