Een geïntegreerd systeem voor de beoordeling van de stabiliteit van halsslagaderplaque op basis van kunstmatige intelligentie

Beroerte is een wereldwijde ziekte met een hoge mortaliteit en invaliditeit. Evaluatie van de stabiliteit van carotisplaque heeft een belangrijke klinische betekenis voor de preventie van een beroerte.

Als praktische, snelle, niet-invasieve, niet-stralingsinspectietechniek wordt echografie veel gebruikt bij de evaluatie van de stabiliteit van plaque in de halsslagader. Er zijn veel methoden om de stabiliteit van halsslagaderplaque door middel van echografie te evalueren. De textuurkenmerken die zijn geëxtraheerd uit tweedimensionale ultrasone beelden, kunnen worden gebruikt om subtiele verschillen in vervolgscanning te kwantificeren. De elastografie van de plaques kan worden gebruikt om veranderingen in de elastische eigenschappen van reactieve plaques te kwantificeren. Contrastversterkte echografie (CEUS) kan worden gebruikt om de dichtheid van microvaatjes te kwantificeren. De resultaten die met deze verschillende methoden worden verkregen, zijn echter vertekend en vertonen een slechte overeenstemming. Het ontbreekt ons aan een uniform, systematisch evaluatiesysteem en objectieve richtlijn voor de beoordeling van plaquestabiliteit. In deze context is het onderwerp plaquestabiliteitsbeoordeling intensief onderzocht door onderzoekers van over de hele wereld. Op basis van state-of-the-art beoordeling ontdekten we dat sommige plaques die op echografie als stabiel werden beoordeeld, uiteindelijk scheurden. Integendeel, sommige onstabiele plaques op echografie veroorzaakten geen beroerte. Deze verwarring geeft aan dat plaqueruptuur niet alleen verband houdt met de intrinsieke kenmerken ervan, zoals grootte, vorm, samenstelling enz., maar ook met externe factoren zoals biomechanica, belasting, stromingsveld, enz.. Om het pathologische plaquegedrag beter te begrijpen, is het noodzakelijk om de hemodynamische problemen in de slagaders, zoals wandschuifspanning, stromingsscheiding en secundaire stroming, te bestuderen. De recente snelle ontwikkelingen in kunstmatige-intelligentietechnieken zijn op grote schaal gebruikt in medische beeldvorming en beeldanalyse. Deze technieken maken begeleid leren mogelijk waarbij volledig wordt geprofiteerd van de beschikbare big data. Daarom is het belangrijkste doel van deze studie om kunstmatige intelligentie te gebruiken om i) een aantal indicatoren te evalueren, waaronder plaquehistologie, hemodynamica, enz., ii) een uniforme en kwantitatieve criteria vast te stellen voor het beoordelen van de stabiliteit van carotisplaque.

Het belangrijkste wetenschappelijke probleem dat in dit project moet worden opgelost, is het opstellen van een objectief model voor het voorspellen van het risico op carotisplaqueruptuur voor klinische besluitvorming.

Het kan hoofdzakelijk worden onderverdeeld in drie hoofdmodules: het opzetten van een database, modeltraining en klinische validatie.

1. Database opzetten

1. Het verkrijgen van klinische informatie van de patiënten uit het elektronisch medisch dossiersysteem.
2. Gebruik van beeldanalysetechnieken in ultrasone beelden om de relatie tussen verschillende beeldtextuurparameters en de histologische samenstelling van plaque te bestuderen. Er zal een methode ontwikkeld worden om de stabiliteit van halsslagaderplaque te evalueren op basis van textuurparameters.
3. Gebruik van echografie (shear-wave) elastografie om een ​​methode vast te stellen voor het beoordelen van de kwetsbaarheid van halsslagaderplaque op basis van de beoordeling van weefselelasticiteit.
4. Door de vectorbeeldvorming van de carotissnelheid te combineren met de bloedstroom-vortex-manipulatietechniek om een ​​nauwkeurige meting te bereiken van de centrale positie van de kwetsbare plaque-bloedstroom-vortex en het orbitale impulsmoment, ontstaat een nieuwe techniek voor kwetsbare plaque-detectie op basis van de vortex-vectorbloedstroom. Blokkeer detectie nieuwe technologie. De biomechanische karakteristieken van arteriële plaques zullen geëvalueerd worden door de synchronie en coördinatie van de arteriële wand te detecteren. Ook zal de relatie tussen de biomechanische karakteristieken en stabiliteit van verschillende typen plaques in de hartcyclus onderzocht worden.
5. Gebruik van kwantitatieve CEUS-analyse en lokalisatiemicroscopie om de relatie tussen CEUS en neovascularisatie in halsslagaderplaques te bestuderen, waarbij de nadruk ligt op de invloed van de dichtheid van microvaten, architectuur en andere kwantitatieve kenmerken die uit CEUS zijn gehaald. Op basis van deze kenmerken zal een voorspellingsmodel voor plaqueruptuur worden ontworpen en geëvalueerd.
6. Gebruik van computationele vloeistofdynamica-modellering om de effecten van geometrische veranderingen op lokale hemodynamica en concentratieverdeling van bloedbestanddelen tijdens plaquegroei te bestuderen. Verdere analyse van het groeimechanisme van plaque en het effect ervan op de hemodynamica zal gemaakt worden.

2. Deep-learning model Na het verkrijgen van alle bovengenoemde parameters, zal de correlatie tussen deze parameters en de stabiliteit van halsslagaderplaque bestudeerd worden door middel van machinaal leren.

Er zal een machine-learning classificatie worden ontworpen die de geëxtraheerde functies als invoer gebruikt. Functieselectie zal worden geïmplementeerd door middel van k-voudige kruisvalidatie om de set van complementaire kenmerken te identificeren die het meest bijdragen aan het beoordelen van plaquestabiliteit en het voorspellen van plaqueruptuur. We willen met name voorspellen of er binnen 1 jaar een beroerte zal optreden. Wanneer er voldoende gegevens beschikbaar zijn, zal ook een diep convolutioneel neuraal netwerk worden ontworpen en getraind om het voorspellingsmodel te leren. In dit proces wordt het risico van overfitting zorgvuldig overwogen door de classificatieprestaties van trainings-, test- en validatiesets te evalueren.

Hierdoor wordt de modelcomplexiteit aangepast aan de beschikbare trainingssets.

3. Klinische evaluatie De validatie van het ontwikkelde beroerte-voorspellingsmodel van ruptuur van halsslagaderplaques zal worden uitgebreid naar een aantal ziekenhuizen. De betrouwbaarheid en bruikbaarheid van het model worden getest. Modelupdate en -verbetering wordt op een cyclische manier overwogen, waarbij wordt geprofiteerd van klinische resultaten en feedback. Het nauwkeurigheidspercentage van de ondersteunende beslissingsondersteuning wordt verwacht op niveaus die niet lager zijn dan 90%.