Dijital Sağlık ve Yapay Zeka Çalışma Grubu
Başkan:
Tarık Kıvrak
Üyeler
Serdar Bozyel
Asım Enhoş
Ufuk İyigün
Evrim Şimşek
Emre Yılmaz
Katkıda Bulunanlar Dr. Ali Nail KAYA
Dr. Hidayet Ozan ARABACI
Dr. Ömer GÖK
Dr. Ömer IŞIK
Dr. Reha TÜRK
|
|
|
|
Kardiyolojide Dijital Sağlık ve Yapay Zeka Çalışma Grubu Elektronik Bülteni - ‘‘Advances in Diagnosis, Therapy, And Prognosis Of Coronary Artery Disease Powered By Deep Learning Algorithms’’ Çalışma Değerlendirmesi (Dr. Ali Nail KAYA)‘‘Advances in Diagnosis, Therapy, And Prognosis Of Coronary Artery Disease Powered By Deep Learning
Algorithms’’ Çalışma Değerlendirmesi
Hazırlayan: Dr. Ali Nail KAYA
Hakkari Devlet Hastanesi
1) Çalışmanın Adı: Advances in Diagnosis, Therapy, and Prognosis of Coronary Artery Disease Powered by Deep Learning Algorithms 1
2) Çalışmanın Yayınlandığı Dergi: JACC: Asia
3) Çalışmanın Yayınlandığı Tarih:15 Şubat 2023
4) Çalışmanın Sponsoru::Natural Science Foundation of China
5) Çalışmanın Amacı: Bu çalışma, derin öğrenme algoritmalarının gelişimini ve bunlara karşılık gelen değerlendirme ölçülerini klinik
uygulamalarıyla birlikte tartışmaktadır. Gelişmiş derin öğrenme algoritmaları, yüksek derecede otomasyon,
azaltılmış radyasyon ve gelişmiş risk sınıflandırması ile kesin teşhis ve kişiye özel tedavi için yeni fırsatlar
yaratır.
6) Çalışmanın Dizaynı: Koroner arter hastalarına yönelik perkütan koroner girişimin (PCI) prognozu ve sonuçları, teknoloji ve
uygulanan tekniklerdeki dikkate değer ilerlemeler nedeniyle son on yılda önemli ölçüde iyileşmiştir. Yapay zeka
(AI) özellikle de derin öğrenme (DL) metodları hızla gelişmektedir ve kardiyoloji dünyasının manzarasını
değiştirmektedir; bu durum girişimsel işlemlerin birçok yönünü iyileştirmek için yeni fırsatlar yaratmaktadır. DL
teknolojisi, özellikle kardiyovasküler görüntülemenin bazı modalitelerinde olmak üzere, hızla artan miktardaki
verilerden güç almaktadır.
DL Ağının GeliştirilmesiDL modelleri, temel mekanizmaları veya biyofizik yasalarını anlamaya gerek kalmadan girdiyi doğrusal
olmayan bir şekilde çıktıya dönüştüren, eğitilecek parametrelere sahip çok sayıda yapay sinir katmanından
oluşur. Bir DL modelinin geliştirilmesine yönelik tipik bir işlem hattı, eğitim, doğrulama ve test aşamalarını
içerir. Eğitim aşaması sırasında model, eğitim veri seti adı verilen belirli bir veri setini kullanarak görevini
verimli bir şekilde gerçekleştirmek için parametreleri öğrenir. Doğrulama aşamasında model, farklı bir veri seti,
yani doğrulama veri seti kullanarak, model performansı için eğitim stratejisiyle ilgili parametrelere hassas ayar
yapar. Son olarak test aşaması, modelin bağımsız bir veri seti (yani test veri seti) üzerindeki objektif ve tarafsız
performansını değerlendirir. Maliyet fonksiyonu, DL modeli tarafından tahmin edilen çıktı ile uzmanların sağladığı temel gerçek arasındaki
tutarsızlığı yansıtır. Geri yayılım algoritması yoluyla maliyet fonksiyonunun en aza indirilmesi, modelin eğitim
aşaması sırasında katmanlarının optimal parametrelerini yinelemeli olarak öğrenmesine rehberlik eder.
Değerlendirme ölçüleri, doğrulama aşamasında parametrelerin (ör. öğrenme hızı) ayarlanması ve test aşamasında
modelin nihai performansının raporlanması için kullanılır. İnsan beynindeki nöron bağlantısından ilham alan ileri beslemeli sinir ağının (FNN) kökenleri 1943'e kadar
uzanmaktadır.Tekrarlayan sinir ağı (RNN), mevcut nöron durumunun yalnızca mevcut girişe değil aynı
zamanda önceki durumlara da bağlı olmasını sağlayacak şekilde geri bildirim döngüleriyle tasarlanmıştır.
Evrişimsel sinir ağı (CNN), 1990'larda LeCun ve diğerleri tarafından önerilmiştir; Sabit boyutlu ve öğrenilebilir
parametrelere sahip evrişimli çekirdekler, görüntü özelliklerini çıkarmak için tüm görüntüyü kayan bir pencere
olarak taramak için kullanılmıştır. Paylaşılan parametreler ve daha az hesaplama maliyeti dahil olmak üzere
CNN'nin FNN'ye göre avantajları, CNN'nin DL alanında baskın konumunu desteklemiştir.Grafik sinir ağı
(GNN), CNN'nin verilerin işlenmesinden, içsel örnekler arası ilişkinin korunması gereken bir molekül yapısı gibi
sırasız verilere kadar genelleştirilmesi olarak kabul edilebilir.Goodfellow ve arkadaşları, 2014 yılında
birbirleriyle rekabet ederek optimize edilen ve eğitimin sonunda dinamik bir dengeye yol açan bir çift ağ
tasarlayarak üretken çekişmeli ağı (GAN) önermişlerdir.Transformer, 2017 yılında Google Brain tarafından
sıralı verileri işlemek üzere tasarlanmış, dikkat temelli bir DL modelidir.
Bilgisayarlı Görevler Koroner görüntülemede DL modelinin uygulanması kabaca 5 hesaplama görevine ayrılabilir: sınıflandırma,
segmentasyon, tespit, yeniden yapılandırma ve regresyon. DL modellerinin performansı, seçimi spesifik göreve
bağlı olan farklı ölçümlerle değerlendirilir.
Sınıflandırma:
Görüntü sınıflandırma, görüntüdeki hedef nesneye göre görüntünün tamamına belirli bir etiket atanmasını ifade
eder. Bir sınıflandırma görevi olarak çok sayıda klinik senaryo formüle edilebilir. DL modellerini büyük ölçekli
veri kümeleri üzerinde önceden eğitmek ve ardından bunlara alana özgü verilerle ince ayar yapmak, model
performansını artırmak için etkili bir çözümdür. Doğruluk, sınıflandırma modellerinin performansını
değerlendirmek için en yaygın kullanılan ölçümdür.
Segmentasyon:
Semantik segmentasyon, sırasıyla 2 boyutlu (2D) veya 3 boyutlu (3D) bir görüntüdeki her piksel veya vokselin
bir etiket halinde yoğun bir sınıflandırma olarak düşünülebilir. Arterlerin, plakların ve stentlerin segmentasyonu
koroner görüntülemenin yaygın bir görevidir.
Tespit Etme:
Algılama görevi, hedef nesneyi çevreleyen bir sınırlayıcı kutunun çıktısını alarak tanımlar. Stenoz ve plakların
tespiti koroner görüntülemede paradigmatik uygulamalardır. Tespit performansını değerlendirmek için
hassasiyet, geri çağırma ve F1 puanı gibi nesne düzeyinde ölçümler hesaplanabilir. Hassasiyet-geri çağırma
eğrisi de modelin ortalama doğruluğunu bildirmek için çizilir.
Yeniden Yapılandırma:
Genel olarak görüntünün yeniden yapılandırılması, ham görüntüye ve son işleme uygulamalarına bölünebilen
kaynak alan sinyallerinden bir hedef alan görüntüsünün oluşturulmasını ifade eder.
Regresyon:
Regresyon, model yapılarındaki sınıflandırmaya benzer, ancak regresyon modelinin çıktısı, ayrık bir tam sayıdan
ziyade sürekli bir gerçek sayıdır. Anatomi veya fizyoloji indeksleri (örn. çap darlığı, kalsiyum skoru ve
fraksiyonel akış rezervi [FFR]), iyi tasarlanmış regresyon modelleri ile koroner görüntülemeden tahmin
edilebilir. Bir regresyon modelinin performansı genellikle ortalama mutlak hata ve ortalama karesel hata yoluyla
tahmin edilen ve referans değerler arasındaki farkla değerlendirilir.
Klinik Uygulamalar
DL'nin klinik uygulamaları hızla gelişmektedir ve kardiyoloji topluluğunun manzarasını değiştirip girişimsel
işlemlerin birçok yönünü iyileştirmek için yeni fırsatlar yaratmaktadır. Bu uygulamaları, kateter laboratuvarında
görüntü elde etme, teşhis ve risk sınıflandırması, girişimsel navigasyon ve tedavi değerlendirmesi ve
optimizasyonunu içeren görüntüleme kılavuzluğunda koroner girişimlerin doğrultusunda özetledik.
Görüntü Alımı:
DL'nin görüntü rekonstrüksiyonuna uygulanması, koroner manyetik rezonans anjiyografide (CMRA)
örneklendiği gibi, artefaktları azaltırken görüntüleme kalitesini arttırır. Serbest nefes alan kalp 3D CMRA,
koroner arterlerin görüntülenmesine olanak tanır, ancak bu durum engelleyici derecede uzun bir tarama süresi
gerektirir.
DL modelleri aynı zamanda koroner bilgisayarlı tomografi anjiyografi (CCTA) rekonstrüksiyonuna da
uygulanmıştır. Klinik çalışmalar, DL destekli CCTA rekonstrüksiyonunun, stenoz veya plak
değerlendirmesinden ödün vermeden radyasyon dozunun azaltılmasına ve görüntü kalitesinin iyileştirilmesine
yol açtığını doğrulamıştır.
Son olarak, kalp hareketi artefaktlarının düzeltilmesi için intravasküler görüntülemeye, özellikle intravasküler
ultrasona (IVUS) yeni rekonstrüksiyon prosedürleri de uygulanmıştır.
Hastalık Teşhisi ve Risk Sınıflandırılması:
DL modelleri, son teknoloji özellik çıkarma ağı ve uzay-zamansal dikkat modülü gibi özel CNN mimarilerini
kullanarak stenoz tanısında mükemmel performansını kanıtlamıştır. Du ve arkadaşları, 20.000'den fazla
anjiyogramdan oluşan geniş bir veri seti kullanarak sırasıyla koroner arter segmentlerinin tanımlanması ve
lezyon morfolojisinin tanınması için 2 DL modelini eğitmişlerdir. Modeller, damar segmenti tanımada %98,4
doğruluk ve stenotik lezyon tespitinde 0,829 F1 puanı elde etmiştir.Yüksek riskli hastalarda gelecekteki koroner
olayların öngörülmesinde plak karakterizasyonunun prognostik önemi, farklı görüntüleme yöntemlerinin
kullanıldığı farklı çalışmalarda tutarlı bir şekilde rapor edilmiştir. Lin ve arkadaşları, stabil göğüs ağrısı olan
geniş bir hasta kohortunda gelecekteki miyokard enfarktüsü riskini öngörmede prognostik değeri kanıtlayan
CCTA'dan DL'nin etkin olduğu plak ve stenoz ölçümünü geliştirmiş ve doğrulamıştır.
Ayrıca, perivasküler yağ dokusundaki kalıcı yapısal değişiklikleri yakalayabilen ve olumsuz koroner olaylara
ilişkin risk öngörüsünü önemli ölçüde geliştirebilen epikardiyal yağ dokusunun radyomik profili analiz edilerek
CCTA'dan prognozun yeni görüntüleme belirleyicileri elde edilmiştir.
Bu eğilim, CCTA'nın büyük popülasyonlarda varsayılan tarama testi olarak kullanılmasını gerektirmektedir; bu
nedenle CCTA'nın iş akışında DL odaklı iyileştirmelerin sağlık sistemleri üzerinde büyük etkisi olacaktır.
Bununla birlikte CCTA, klinik uygulamada kesin risk sınıflandırması veya girişimsel stratejinin planlanması için
gerekli olan ayrıntılı plak karakterizasyonu açısından doğası gereği sınırlıdır. Gelişmiş plak karakterizasyonu için
invaziv görüntüleme altın standart olmaya devam etmektedir.
Girişimsel Navigasyon:
KAH tanısına ve risk sınıflandırmasına fayda sağlamanın yanı sıra DL, gelişmiş prosedür verimliliği ve
rahatlığıyla PCI navigasyonuna yardımcı olmak için de uygulanmıştır. Önemli uygulamalardan biri, koroner
arterleri dinamik, gerçek zamanlı bir şekilde floroskopik bir görüntü üzerine bindirerek müdahale sırasında
kardiyologlara sürekli görsel geri bildirim sağlayan dinamik koroner yol haritasıdır (DCR). Ticari bir DCR
sistemini (Philips Healthcare) temel alan klinik çalışmalar, kontrast hacminde (%22) ve floroskopi süresinde
(%30) önemli bir azalma olduğunu bildirmişlerdir.
Tedavi Değerlendirmesi ve Optimizasyonu:
Stent yerleştirme sonrası sonucu değerlendirmek ve sonunda optimizasyon gerektiren optimal olmayan bulguları
tespit etmek için intravasküler görüntüleme kullanılabilir. Bununla birlikte, tüm geri çekmenin kare başına kare
analizi veya hatta seçilen karelerin periyodik aralıklarla (örneğin 1 mm) sistematik analizi, klinik karar verme
amacıyla kateterizasyon laboratuvarında rutin olarak uygulanması zahmetli ve zaman alıcıdır. Stent
genişlemesinin ve yerleştirilmesinin hızlı ve otomatik olarak ölçülmesi, PCI optimizasyonunun iş akışını
kolaylaştırmak için çok önemlidir. Bu amaçla stent segmentasyonu ve tespiti için bazı DL modelleri
geliştirilmiştir. Wu ve arkadaşları, bitişik OCT çerçevelerinden gelen bilgileri toplamak için çok ölçekli kısayol
bağlantılarına ve 3D girişe sahip bir CNN modeli tasarlamışlardır. Model, 10.000'den fazla kesitsel görüntü
üzerinde eğitilmiştir ve 170 OCT geri çekmesinden elde edilen 21.000'den fazla görüntüde bağımsız olarak test
edilmiştir. Farklı görüntü kaynakları için mükemmel segmentasyon (Dice = 0,907) ve algılama (Hassaslık =
0,943) performansları elde edilmiştir.
Gelecek Görünüşü
Her ne kadar DL modelleri şimdiye kadar KAH tanısı, tedavisi ve prognozunun tüm yelpazesinde umut verici bir
performans gösterse de, DL'nin hala sınırlamaları ve ele alınmamış zorlukları vardır. Birincisi, DL modelleri
rakip girdilere karşı savunmasızdır çünkü girdileri insani anlamda anlamak yerine verilerin istatistiksel
modellerine dayanırlar. Veri dağılımının eğitim veri setinden değişmesi, DL modellerinin tamamen farklı
çıktılara yol açmasına neden olabilir. Tıbbi görüntüleme, farklı satıcılara ve satın alma stratejilerine göre
değişiklik gösterir. Bu nedenle, DL modellerinin farklı klinik senaryolarda genelleme yeteneği konusunda büyük
bir endişe yaratmaktadır. İlgili diğer bir konu ise yorumlanabilirlik ve şeffaflıktır. DL modelleri, özellikle risk
sınıflandırması ve prognoz tahmini gibi yüksek seviyeli akıllı görevler için, doğasında bulunan "kara kutu"
özelliğiyle ünlüdür. Modellerin davranışları ve karar verme süreçleri konusunda anlayış eksikliği vardır. Önceki
bilgilerin, biyofiziksel modellemenin ve mekanik teorinin entegrasyonu, tamamen veriye dayalı DL modellerini
tamamlayıcı nitelikte olacaktır ve modelin genellenebilirliğini ve yorumlanabilirliğini geliştirmeye yardımcı
olabilir. İkincisi, model davranışı büyük ölçüde, genellikle deneyimli uzmanlardan alınan federal karara (veri
açıklaması) bağlıdır. Son olarak yapay zeka modellerinin çoğunluğu, konseptin kanıtlanması aşamasındadır ve
geniş hasta gruplarından ileriye dönük klinik denemeler beklenmektedir. Yapay zeka teknolojisinin hızlı gelişimini ve klinik uygulamalarda yaygınlaşmasını daha iyi standartlaştırmak
için düzenleyici otoritelerin yeni kılavuzlarının artık uygulamaya konulduğunu görmek güven verici olacaktır.
Sonuçlar
Gelişmiş DL algoritmaları, kardiyolojide yüksek derecede otomasyon, azaltılmış radyasyon ve gelişmiş risk
sınıflandırması ile hassas teşhis ve kişiye özel tedavi için yeni fırsatlar açar. Genelleme, yorumlanabilirlik ve
düzenleme konuları, multidisipliner topluluğun ortak çabalarıyla çözülmesi gereken zorluklardır.
Kaynaklar
- Chu M, Wu P, Li G, Yang W, Gutiérrez-Chico JL, Tu S. Advances in Diagnosis, Therapy, and Prognosis
of Coronary Artery Disease Powered by Deep Learning Algorithms. JACC Asia. 2023;3(1):1-14.
Published 2023 Feb 15. doi:10.1016/j.jacasi.2022.12.005.
- McCulloch WS, Pitts W. A logical calculus of the ideas immanent in nervous activity. Bull Math
Biophys. 1943;5:115–133.
- Jordan MI. Serial order: a parallel distributed processing approach. Adv Psychol. 1997;121:471–495.
- Elman JL. Finding structure in time. Cogn Sci. 1990;14:179–211.
- LeCun Y, Bottou L, Bengio Y, Haffner P. Gradient-based learning applied to document recognition.
Proc IEEE. 1998;86:2278– 2324.
- Scarselli F, Gori M, Tsoi AC, Hagenbuchner M, Monfardini G. The graph neural network model. IEEE
Trans Neural Netw. 2008;20:61– 80.
- Goodfellow I, Pouget-Abadie J, Mirza M, et al. Generative adversarial nets. Adv Neural Inf Process
Syst. 2014;27:2672–2680.
- Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need. Adv Neural Inf Process Syst.
2017;30:arXiv, 1706.03762.
- Du T, Xie L, Zhang H, et al. Training and validation of a deep learning architecture for the automatic
analysis of coronary angiography. EuroIntervention. 2021;17:32–40.
- Lin A, Manral N, McElhinney P, et al. Deep learning-enabled coronary CT angiography for plaque and
stenosis quantification and cardiac risk prediction: an international multicentre study. Lancet Digit
Health. 2022;4:e256–e265.
- Piayda K, Kleinebrecht L, Afzal S, et al. Dynamic coronary roadmapping during percutaneous coronary
intervention: a feasibility study. Eur J Med Res. 2018;23:36.
- Wu P, Gutiérrez-Chico JL, Tauzin H, et al. Automatic stent reconstruction in optical coherence
tomography based on a deep convolutional model. Biomed Opt Express. 2020;11:3374–3394.
|