Validierung eines Algorithmus für künstliche Intelligenz zur Identifizierung echokardiographischer Referenzansichten. Ultraschall – Leitfaden zur Herzerfassung (U-CAG)

Als Reaktion auf dieses Problem haben mehrere Teams die Fortschritte im Deep Learning, insbesondere im Bereich Computer Vision, genutzt, um Laien dabei zu helfen, diese Referenzansichten zu erhalten. Mithilfe von Faltungs-Neuronalen Netzen haben mehrere Teams Algorithmen zur Identifizierung und Unterscheidung dieser Ansichten entwickelt. Ziel dieser Arbeit ist es, dem Bediener eine Hilfestellung zu geben, indem das erhaltene Ultraschallbild in Echtzeit als Referenzansicht identifiziert wird.

Seit Januar 2019 arbeiten das Echokardiographie-Labor unter der Leitung von Prof. Stéphane Lafitte und DESKi, ein auf Deep Learning und medizinische Bildgebung spezialisiertes Start-up mit Sitz in Bordeaux, an einer solchen Lösung. Insbesondere konnten sie einen auf retrospektiven Daten basierenden Algorithmus entwickeln, der Bilder nach 7 Referenzansichten klassifiziert (parasternale lange Achse, parasternale kurze Achse, apikale 4-3-2-Höhlen, subkostale 4-Höhlen und die untere Hohlvene) und eine Klasse, die Ultraschallbilder darstellt, die keiner dieser Ansichten entsprechen.

Die Besonderheiten dieser Arbeit liegen vor allem darin, dass der Algorithmus nur Ansichten mit ausreichender Qualität (Echogenität und sichtbarer anatomischer Teil im Bild) für eine zuverlässige Analyse erkennt und dass die Architektur des neuronalen Netzwerks mit einer Echtzeitnutzung auf einem kompatibel ist Smartphone.

Unabhängig von den Teams wurden alle diese Algorithmen anhand retrospektiver Daten erstellt und validiert, d. h. Schleifen von Ultraschallbildern, die von Kardiologen während Standard-Echokardiographie-Untersuchungen aufgenommen wurden. In diesen Aufnahmen behalten die Kardiologen nur die Bilder, die den Referenzansichten entsprechen. Anschließend verknüpft der Kardiologe jede Bildschleife oder Aufnahme mit einer Referenzansicht. Aus diesen von den Kardiologen beschrifteten Aufnahmen lernen die Algorithmen durch ein Lernverfahren, diese Referenzansichten zu erkennen und zu unterscheiden. Die Algorithmen werden dann an einer Probe validiert, die nicht für das Training verwendet wurde, indem ihre Ergebnisse mit der von den Kardiologen vorgenommenen Kennzeichnung verglichen werden.

Die Einschränkung dieser Validierung besteht darin, dass sie das Verhalten des Algorithmus bei der Konfrontation mit Bildern, bei denen es sich nicht um Referenzansichten handelt, kaum berücksichtigt.

Tatsächlich sucht der Bediener vor der Aufzeichnung dieser Referenzansichten nach der Position der Sonde, die die beste Sicht bietet, indem er sie über den Rumpf des Patienten bewegt. Diese gesamte Scanphase wird während der Standarduntersuchung durchgeführt, ohne dass sie aufgezeichnet wird. Keine dieser Lösungen wurde daher prospektiv für Akquisitionen einschließlich der Scanphase der Referenzansichten validiert.

Ziel der Forschung ist es, im Rahmen einer prospektiven monozentrischen Studie die vom Algorithmus durchgeführte Kennzeichnung mit der Kennzeichnung zu vergleichen, die von Kardiologen aus Akquisitionen einschließlich der Aufzeichnung der Suchphase der Referenzansicht durchgeführt und im Rahmen der Routineversorgung im Echokardiographielabor gewonnen wurde.