Okołoświatłowe badanie COROnary CTa radioOMICS oparte na sztucznej inteligencji w celu identyfikacji pacjentów szczególnie narażonych (CORO-CTAIOMICS) (CORO-CTAIOMICS)

Tło i uzasadnienie

W ostatnich latach cCTA stało się kluczowym narzędziem diagnostycznym w przypadku podejrzenia CAD. Najnowsze wytyczne ESC zalecają badanie cCTA jako badanie diagnostyczne pierwszego rzutu u pacjentów z objawami podejrzanymi o podłoże CAD, szczególnie przy średnim prawdopodobieństwie przed badaniem (15–85%). pacjenci. Wytyczne AHA i włoskie zasadniczo sugerują to samo podejście. Zalecenia opierają się na niezwykle dużej dokładności badania cCTA w wykluczaniu choroby wieńcowej zatorowej. W rezultacie przyczyniamy się do ogromnego wzrostu liczby pacjentów poddawanych CCTA w codziennej rutynie klinicznej. U większości tych pacjentów (80%) nie stwierdza się obturacyjnej CAD, ale wynik ten nie oznacza, że ​​wszyscy ci pacjenci należą do grupy niskiego ryzyka. Stratyfikacja prognostyczna tych pacjentów jest nadal pilną, niezaspokojoną potrzebą. Wśród pacjentów bez CAD obturacyjnej znaleźliśmy pacjentów z różnym stopniem obciążenia miażdżycowego oraz pacjentów z różnymi rodzajami blaszek (blaszki wysokiego lub niskiego ryzyka) oraz różnym stopniem zapalenia ściany wieńcowej i okołowieńcowej. Stratyfikacja prognostyczna tych pacjentów jest nadal pilną, niezaspokojoną potrzebą. Obrazy cCTA zawierają wiele informacji o dużym potencjale informacyjnym na temat obciążenia miażdżycowego i podatności nieobstrukcyjnej choroby wieńcowej u każdego pojedynczego pacjenta, ale wszystkie te informacje nie są obecnie wykorzystywane w rutynowej praktyce klinicznej do zmiany postępowania z pacjentami brak solidnych i powtarzalnych narzędzi umożliwiających ilościową ekstrakcję tych danych i włączenie ich do prognostycznej punktacji ryzyka.

W ostatnich latach wykazano, że cechy blaszek w tętnicach wieńcowych (m.in. długość, objętość, zwężenie, osłabienie, wskaźnik przebudowy zmiany chorobowej itp.) (2) i osłabienie okołowieńcowej tkanki tłuszczowej (3) mają istotne znaczenie prognostyczne. Wiadomo jednak, że wiele z tych biomarkerów charakteryzuje się niską powtarzalnością, głównie z powodu ograniczeń technicznych w automatycznym lub półautomatycznym oddzielaniu płytek od otaczającej tkanki tłuszczowej. Może to powodować nieprawidłowe włączenie blaszek do segmentacji okołowieńcowej tkanki tłuszczowej i odwrotnie, prowadząc do niewiarygodnych wyników w ocenie obciążenia blaszkami i ich tłumienia (4). Co więcej, jakościowa lub półilościowa ocena wyżej wymienionych cech płytki i gęstości tkanki tłuszczowej w okolicy wieńcowej może odzwierciedlać jedynie część dostępnych informacji. W tym scenariuszu ocena oparta na radiomice może ujawnić informacje ukryte dla ludzkiego oka, prowadząc do lepszej stratyfikacji ryzyka sercowo-naczyniowego (5, 6).

Nasze badanie dodaje dwie główne ulepszenia w prognostycznej stratyfikacji ryzyka w oparciu o analizę płytki cCTA i tkanki tłuszczowej. Po pierwsze, proponujemy metodę łatwej i niezależnej segmentacji zarówno płytek, jak i okołowieńcowej tkanki tłuszczowej, poprzez półautomatyczną lub automatyczną identyfikację krawędzi pomiędzy płytką a tłuszczem (co jest krytyczne). W rzeczywistości nasze narzędzie przeprowadzi segmentację całej tkanki zawartej w obszarze kołowym poza światłem wieńcowym, o średnicy opartej na średnicy samego światła wieńcowego. To rozwiązanie techniczne znacznie zwiększy powtarzalność segmentacji. Po drugie, proponujemy wykorzystanie radiomiki do analizy kolistego środowiska okołowieńcowego, potencjalnie identyfikując nowe biomarkery – niewidoczne dla ludzkiego oka – niestabilności CAD, które mogą zapewnić ważną wartość prognostyczną.

W szczegółach nowość naszych badań polega na tym, że 1) tkanka tłuszczowa i blaszki okołowieńcowe będą traktowane jako jedno środowisko, co znacznie zmniejszy wysiłek związany z dokładną segmentacją tkanki i zmniejszy problemy związane z powtarzalnością; 2) radiomika zostanie zastosowana do wydobycia znaczących informacji niewidocznych dla ludzkiego oka. Co więcej, to podejście radiomiczne będzie wspierane przez modele uczenia maszynowego (ML), w tym regresję regularną, algorytmy genetyczne i głębokie uczenie się, ze względu na zdolność ML do bezpośredniego zarządzania ogromną ilością danych wyodrębnionych z obrazów radiologicznych i ich oceny. Zatem ostatecznym rezultatem naszych badań będzie algorytm umożliwiający przewidywanie ryzyka MACE u pojedynczego pacjenta poprzez automatyczną analizę danych radiomicznych tkanki wieńcowej około światła, pochodzących z cCTA wykonywanego w rutynowej praktyce klinicznej.