Validering av en kunstig intelligensalgoritme som identifiserer ekkokardiografiske referansevisninger. Ultralyd - Veiledning for hjerteoppkjøp (U-CAG)

Som svar på dette problemet har flere team benyttet seg av fremskritt innen dyp læring, spesielt innen datasyn, for å hjelpe ikke-spesialister med å få disse referansesynspunktene. Ved å bruke konvolusjonelle nevrale nettverk har flere team utviklet algoritmer for å identifisere og skille disse synspunktene. Målet med dette arbeidet er å gi assistanse til operatøren ved i sanntid å identifisere ultralydbildet som er oppnådd som en referansevisning.

Siden januar 2019 har ekkokardiografilaboratoriet ledet av prof. Stéphane Lafitte og DESKi, en Bordeaux-basert oppstart som spesialiserer seg på dyp læring og medisinsk bildebehandling, jobbet med denne typen løsninger. Spesielt var de i stand til å utvikle en algoritme basert på retrospektive data som klassifiserer bilder i henhold til 7 referansevisninger (parasternal langakse, parasternal kortakse, apikale 4-3-2 hulrom, sub costal 4 hulrom og inferior vena cava) og en klasse som representerer ultralydbilder som ikke samsvarer med noen av disse visningene.

Det særegne ved dette arbeidet ligger hovedsakelig i det faktum at algoritmen bare oppdager visninger med tilstrekkelig kvalitet (ekkogenesitet og synlig anatomisk del i bildet) for en pålitelig analyse og at arkitekturen til det nevrale nettverket er kompatibel med sanntidsbruk på en smarttelefon.

Uavhengig av teamene ble alle disse algoritmene bygget og validert fra retrospektive data, det vil si løkker av ultralydbilder tatt opp av kardiologer under standard ekkokardiografiundersøkelser. I disse opptakene beholder kardiologene kun bildene som tilsvarer referansevisningene. Kardiologen fester deretter hver bildeløkke eller innsamling til en referansevisning. Fra disse opptakene merket av kardiologene og av en læringsmetode lærer algoritmene å oppdage og skille disse referansevisningene. Algoritmene blir deretter validert på en prøve som ikke er brukt til trening, ved å sammenligne resultatene deres med merkingen utført av kardiologene.

Begrensningen med denne valideringen er at den tar lite hensyn til algoritmens oppførsel når den konfronteres med bilder som ikke er referansevisninger.

Før de registrerer disse referansevisningene, søker faktisk operatøren etter posisjonen til sonden som gir best sikt ved å flytte den over pasientens torso. Hele denne skanningsfasen utføres under standardundersøkelsen uten å bli registrert. Ingen av disse løsningene har derfor blitt validert prospektivt på anskaffelser inkludert skanningsfasen av referansevisningene.

Gjennom en prospektiv monosentrisk studie er målet med forskningen å sammenligne merkingen utført av algoritmen og den som utføres av kardiologer fra anskaffelser inkludert registrering av referansevisningssøkefasen og oppnådd som en del av rutinemessig behandling i ekkokardiografilaboratoriet.