Deep Learning applicato alla semplice sorveglianza radiografica addominale dopo la riparazione endovascolare dell'aneurisma (EVAR) dell'aneurisma dell'aorta addominale (AAA) (DeepLearn)

L'aneurisma dell'aorta addominale (AAA) è una condizione in cui l'aorta addominale, una grande arteria, si dilata gradualmente, in seguito a un processo degenerativo all'interno della sua parete. Ciò può portare alla rottura della parete indebolita con successivo dissanguamento nell'addome. Questo scenario è solitamente fatale. Il diametro dell'aneurisma correla positivamente con il rischio di rottura. La dimensione dell'aneurisma è quindi il fattore determinante primario quando si considera se riparare elettivamente o meno gli AAA.

La riparazione endovascolare dell'aneurisma (EVAR) è diventata il trattamento standard per gli AAA nella stragrande maggioranza dei pazienti. È una tecnica minimamente invasiva che mira ad escludere l'aneurisma dalla circolazione mediante il posizionamento di uno "stent-graft" sintetico all'interno del lume aortico. Le punte metalliche e la forza radiale mantengono la posizione dell'endoprotesi nell'aorta non aneurismatica sopra l'aneurisma e nelle arterie iliache sotto l'aneurisma.

L'evidenza di livello 1 ha costantemente dimostrato una migliore sopravvivenza perioperatoria con EVAR rispetto alla tradizionale chirurgia a cielo aperto. Tuttavia, ci sono preoccupazioni per quanto riguarda la durata a lungo termine degli innesti stent EVAR, con 1 paziente su 5 che richiede un ulteriore intervento chirurgico all'aneurisma nei 5 anni successivi all'operazione. Ciò è spesso dovuto al fallimento della posizione e dell'integrità dell'endoprotesi. Pertanto, la pratica internazionale standard è quella di mantenere i pazienti sotto sorveglianza per tutta la vita dopo l'EVAR. Questo di solito è sotto forma di radiografie semplici in combinazione con tomografia computerizzata (TC) o ecografie duplex, tutte eseguite su base annuale.

Gli innesti di stent sono visibili su radiografie semplici dell'addome e confrontando serie di immagini acquisite nel tempo, è possibile diagnosticare una miriade di problemi di innesto di stent tra cui migrazione, disintegrazione e distorsione. Ma questi cambiamenti possono essere impercettibili sulle normali radiografie e difficili da individuare, anche per l'occhio umano più allenato. Di conseguenza, i pazienti vengono sottoposti a scansioni più dettagliate che purtroppo comportano un rischio di nefrotossicità e malignità indotta da radiazioni.

Lo scopo della nostra ricerca è migliorare il potenziale diagnostico delle radiografie semplici applicando moderni algoritmi informatici di deep learning per l'interpretazione.

L'intelligenza artificiale (AI) sotto forma di deep learning ha mostrato un grande successo negli ultimi anni su numerosi problemi impegnativi. Il successo del deep learning è in gran parte sostenuto dai progressi nelle potenti unità di elaborazione grafica (GPU). Le GPU ci consentono di accelerare gli algoritmi di addestramento di ordini di grandezza, riducendo i tempi di esecuzione di settimane a giorni.

Il nostro studio esplorerà l'uso dell'intelligenza artificiale nell'interpretazione di serie di radiografie semplici anonimizzate per identificare le caratteristiche di un innesto di stent difettoso.

Un algoritmo di deep learning verrà applicato alle radiografie in chiaro post-EVAR che sono già state eseguite presso la nostra istituzione in Inghilterra negli ultimi 10 anni. Confronteremo quindi l'efficacia della macchina nell'identificare i problemi correlati all'innesto di stent con i risultati noti identificati dall'interpretazione umana in precedenza.

Questo progetto si baserà sui recenti progressi nelle tecniche di deep learning. Si prevede che il deep learning porterà buone prestazioni per la sorveglianza EVAR in linea con la sua applicazione di successo in domini come il riconoscimento di cifre, caratteri cinesi e segnali stradali in cui i computer hanno prodotto una precisione migliore rispetto agli umani.