Validering af en kunstig intelligensalgoritme, der identificerer ekkokardiografiske referencevisninger. Ultralyd - Vejledning til hjerteopsamling (U-CAG)

Som svar på dette problem har adskillige teams draget fordel af fremskridt inden for dyb læring, især inden for computersyn, for at hjælpe ikke-specialister med at få disse referencesynspunkter. Ved hjælp af foldende neurale netværk har flere hold udviklet algoritmer til at identificere og skelne mellem disse synspunkter. Formålet med dette arbejde er at yde assistance til operatøren ved i realtid at identificere det ultralydsbillede, der er opnået som referencebillede.

Siden januar 2019 har ekkokardiografilaboratoriet ledet af prof. Stéphane Lafitte og DESKi, en Bordeaux-baseret start-up med speciale i deep learning og medicinsk billeddannelse, arbejdet på denne type løsninger. De var især i stand til at udvikle en algoritme baseret på retrospektive data, der klassificerer billeder i henhold til 7 referencevisninger (parasternal langakse, parasternal kortakse, apikale 4-3-2 hulrum, subkostale 4 hulrum og inferior vena cava) og en klasse, der repræsenterer ultralydsbilleder, der ikke svarer til nogen af ​​disse visninger.

Det særlige ved dette arbejde ligger hovedsageligt i det faktum, at algoritmen kun detekterer visninger med tilstrækkelig kvalitet (ekogenicitet og synlig anatomisk del i billedet) til en pålidelig analyse, og at arkitekturen af ​​det neurale netværk er kompatibel med en realtidsanvendelse på en smart telefon.

Uafhængigt af holdene blev alle disse algoritmer bygget og valideret ud fra retrospektive data, dvs. sløjfer af ultralydsbilleder optaget af kardiologer under standard ekkokardiografiundersøgelser. I disse optagelser opbevarer kardiologerne kun de billeder, der svarer til referencevisningerne. Kardiologen vedhæfter derefter hver billedløkke eller indsamling til en referencevisning. Fra disse optagelser mærket af kardiologerne og af en indlæringsmetode lærer algoritmerne at detektere og skelne mellem disse referencevisninger. Algoritmerne valideres derefter på en prøve, der ikke er blevet brugt til træning, ved at sammenligne deres resultater med mærkningen udført af kardiologerne.

Begrænsningen ved denne validering er, at den ikke tager meget hensyn til algoritmens opførsel, når den konfronteres med billeder, der ikke er referencevisninger.

Inden disse referencevisninger registreres, søger operatøren faktisk efter den position af sonden, der giver det bedste udsyn, ved at flytte den over patientens torso. Hele denne scanningsfase udføres under standardundersøgelsen uden at blive registreret. Ingen af ​​disse løsninger er derfor blevet valideret prospektivt på opkøb, herunder scanningsfasen af ​​referencevisningerne.

Gennem et prospektivt monocentrisk studie er formålet med forskningen at sammenligne den mærkning, der udføres af algoritmen, og den, der udføres af kardiologer fra erhvervelser, herunder registrering af referencevisningssøgningsfasen og opnået som en del af rutinepleje i ekkokardiografilaboratoriet.