인공지능 기반 경동맥 플라크 안정성 평가를 위한 통합 시스템

뇌졸중은 사망률과 장애가 높은 세계적인 질병입니다. 경동맥 플라크의 안정성 평가는 뇌졸중 예방에 중요한 임상적 의미를 갖는다.

실용적이고 빠르고 비침습적이며 비방사성 검사 기술인 초음파는 경동맥 플라크 안정성 평가에 널리 사용됩니다. 초음파로 경동맥 플라크의 안정성을 평가하는 방법에는 여러 가지가 있습니다. 2차원 초음파 영상에서 추출한 텍스처 특징은 후속 스캔에서 미묘한 차이를 정량화하는 데 사용할 수 있습니다. 플라크의 엘라스토그래피는 반응성 플라크의 탄성 특성의 변화를 정량화하는 데 사용할 수 있습니다. 조영 증강 초음파(CEUS)를 사용하여 미세혈관의 밀도를 정량화할 수 있습니다. 그러나 이러한 서로 다른 방법으로 얻은 결과는 편향되어 있으며 일치하지 않습니다. 우리는 플라크 안정성 평가를 위한 통일되고 체계적인 평가 시스템과 객관적인 지침이 부족합니다. 이러한 맥락에서 플라크 안정성 평가라는 주제는 전 세계의 연구자들이 집중적으로 탐구해 왔습니다. 최첨단 평가를 기반으로 초음파에서 안정적이라고 판단된 일부 플라크가 결국 파열되는 것을 발견했습니다. 반대로 초음파에서 일부 불안정한 플라크는 뇌졸중을 일으키지 않았습니다. 이러한 혼란은 플라크 파열이 크기, 모양, 구성 등과 같은 본질적인 특성뿐만 아니라 생체 역학, 변형, 유동장 등과 같은 외부 요인과도 관련이 있음을 나타냅니다. 병리학적 플라크 거동을 더 잘 이해하기 위해서는 벽 전단 응력, 흐름 분리 및 이차 흐름과 같은 동맥의 혈역학적 문제를 연구하는 것이 필요합니다. 최근 인공 지능 기술의 급속한 발전은 의료 영상 및 이미지 분석에 널리 사용되었습니다. 이러한 기술을 통해 사용 가능한 빅 데이터를 최대한 활용하는 지도 학습이 가능합니다. 따라서 본 연구의 주된 목적은 인공지능 기술을 이용하여 i) 플라크 조직학, 혈류역학 등을 포함한 여러 지표를 평가하고, ii) 경동맥 플라크의 안정성을 판단하기 위한 균일하고 정량적인 기준을 확립하는 데 있다.

이 프로젝트에서 해결해야 할 핵심 과학적 문제는 임상 의사 결정을 위한 경동맥 플라크 파열의 위험을 예측하기 위한 객관적인 모델을 설정하는 것입니다.

주로 데이터베이스 구축, 모델 교육 및 임상 검증의 세 가지 주요 모듈로 나눌 수 있습니다.

1. 데이터베이스 구축

1. 전자 의무 기록 시스템에서 환자의 임상 정보를 얻습니다.
2. 초음파 이미지에서 이미지 분석 기술을 사용하여 다양한 이미지 텍스처 매개변수와 플라크 조직학적 구성 사이의 관계를 연구합니다. 텍스처 매개변수를 기반으로 경동맥 플라크의 안정성을 평가하는 방법이 확립됩니다.
3. 조직 탄력성 평가를 기반으로 경동맥 플라크 취약성을 평가하는 방법을 확립하기 위해 초음파(전단파) 엘라스토그래피를 사용합니다.
4. 경동맥 속도 벡터 이미징과 혈류 와류 조작 기술을 결합하여 취약한 플라크 혈류 와류의 중심 위치와 안와 각 운동량을 정확하게 측정하여 와류 벡터 혈류를 기반으로 취약한 플라크 검출을 위한 새로운 기술을 제공합니다. 블록 감지 신기술. 동맥 플라크의 생체 역학적 특성은 동맥 벽의 동시성과 조정을 감지하여 평가됩니다. 생체역학적 특성과 심장 주기에서 다양한 유형의 플라크의 안정성 사이의 관계도 조사됩니다.
5. 정량적 CEUS 분석 및 국소화 현미경을 사용하여 미세혈관 밀도, 구조 및 CEUS에서 추출한 기타 정량적 특징의 영향에 초점을 두고 CEUS와 경동맥 플라크의 신생혈관 사이의 관계를 연구합니다. 이러한 특징을 바탕으로 플라크 파열에 대한 예측 모델을 설계하고 평가합니다.
6. 전산 유체 역학 모델링을 사용하여 플라크 성장 동안 국소 혈류역학 및 혈액 성분 농도 분포에 대한 기하학적 변화의 영향을 연구합니다. 플라크의 성장 메커니즘과 혈류역학에 미치는 영향에 대한 추가 분석이 이루어질 것입니다.

2. 딥러닝 모델 위에서 언급한 모든 매개변수를 얻은 후 기계 학습을 통해 이러한 매개변수와 경동맥 플라크 안정성 간의 상관 관계를 연구합니다.

추출된 기능을 입력으로 사용하는 기계 학습 분류기가 설계됩니다. 기능 선택은 플라크 안정성을 평가하고 플라크 파열을 예측하는 데 가장 기여하는 보완 기능 세트를 식별하기 위해 k-겹 교차 검증을 통해 구현됩니다. 특히 1년 이내에 뇌졸중이 발생할지 여부를 예측하는 것을 목표로 합니다. 충분한 데이터를 사용할 수 있는 경우 예측 모델을 학습하기 위해 심층 합성곱 신경망도 설계 및 훈련됩니다. 이 과정에서 교육, 테스트 및 검증 세트에 대한 분류 성능을 평가하여 과적합의 위험을 신중하게 고려합니다.

결과적으로 모델 복잡성은 사용 가능한 교육 세트에 맞게 조정됩니다.

3. 임상 평가 개발된 경동맥 판 파열의 뇌졸중 예측 모델의 검증은 여러 병원으로 확대될 것입니다. 모델의 신뢰성과 유용성이 테스트됩니다. 모델 업데이트 및 개선은 임상 결과 및 피드백에서 이익을 얻는 주기적인 방식으로 예상됩니다. 정확도 보조 결정 지원은 90% 이상 수준으로 예상됩니다.