‘‘Automatic Prediction of Acute Coronary Syndrome Based on Pericoronary Adipose Tissue and Atherosclerotic Plaques’’ Çalışma Değerlendirmesi

Hazırlayan: Dr. Reha TÜRK
Karadeniz Teknik Üniversitesi Tıp Fakültesi, Kardiyoloji Anabilim Dalı, Trabzon

1. Çalışmanın Adı:Automatic Prediction of Acute Coronary Syndrome based on Pericoronary Adipose Tissue and Atherosclerotic Plaque
2. Çalışmanın Yayınlandığı Dergi:Computerized Medical Imaging and Graphics
3. Çalışmanın Yayınlandığı Tarih:16 Haziran 2023
4. Çalışmanın Amacı:Araştırmalar, vasküler enflamasyonun AKS patogenezinin erken bir özelliği olduğunu ve enflamasyonlu damarların doğrudan perikoroner adipoz dokuya (PCAT) yayılan ve preadipositlerde yerel hücre içi lipid birikimini etkileyen enflamatuar sinyaller yaydığını göstermiştir (Nerlekar ve Chan, 2022). Koroner aterosklerotik plakların ortaya çıkması, gelişmesi ve yırtılması karmaşık bir biyomekanik süreç olduğundan, savunmasız plağın klinik sonucunun AKS'ye dönüşüp dönüşmeyeceği çeşitli faktörlerden etkilenebilir. Bu nedenle, perivasküler lipit zayıflama indeksi (FAI), koroner BT Anjiyografi CCTA aracılığıyla çevre yağdaki uzamsal yoğunluk değişikliklerini değerlendirerek PCAT'deki değişiklikleri gözlemlemek, ölçmek ve gelecekteki AKS olaylarını tahmin etmek için kullanılabilir.
   Oikonomou ve arkadaşları (2019), PCAT'nin CCTA tabanlı radyotranskriptomik imzasını kullanarak, fibrozis ve mikrovasküler yeniden şekillenme dahil olmak üzere PCAT bileşenlerinin hastalıkla ilgili değişikliklerini tespit edebilen ve olumsuz kardiyak olayların risk tahminini önemli ölçüde geliştiren yeni bir makine öğrenimi türevi; yağ radyomik profili (FRP) önermiştir. CCTA ile PCAT'nin radyomik imzasına dayanan yeni bir çalışma (Lin ve ark., 2020), akut miyokard enfarktüsü geçiren hastaların, stabil veya kardiyovasküler hastalığı olmayan hastalara kıyasla farklı bir PCAT radyomik fenotipine sahip olduğunu bulmuştur. Böylece, Shang ve arkadaşları (2022) PCAT'yi çevreleyen plaklardan 107 radyomik özellik çıkarmış ve PCAT'nin CCTA tabanlı radyomik imzasının AKS'yi öngörebileceğini kanıtlamak için çok değişkenli lojistik regresyon analizi kullanarak en önemli 14 öngörücüyü seçmiştir. Ancak radyomik tabanlı yöntemlerin PCAT ve aterosklerotik plakların özelliklerinin çıkarılmasında sınırlamaları vardır. Bu nedenle çalışmada, ACS tahmini için hem PCAT hem de aterosklerotik plakların koroner BT anjiyografi (CCTA) görüntüleme özelliklerini çıkarabilen hibrit bir derin öğrenme metodu oluşturulmak istenmiştir.
5. Çalışmanın Dizaynı:Literatüre göre (Oikonomou vd., 2018; Mahabadi vd., 2010; Wen vd., 2022a), perikoroner FAI koroner arterlerdeki koroner ateroskleroz ile ilişkilidir. Yeni bir biyobelirteç olarak perikoroner FAI, aterosklerotik plaklarla birlikte, hastalarda erken tanı için bir kardiyak risk tahmin aracı olarak kullanılabilir. Bu nedenle, öncelikle her hastadan koroner arterlerin etrafındaki iki konumdan iki segment almamız gerekir: proksimal segment ve lezyon segmenti.
   • Proksimal segmentler, Şekil 1'de gösterildiği gibi, üç ana koroner arterin [sağ koroner arter (RCA), sol ön inen arter (LAD) ve sol sirkumfleks arter (LCX)] proksimal 40 mm PCAT segmentlerinden, dış damar duvarından damar çapına eşit bir ?? radyal mesafe içinde çıkarılır. Son olarak, üç ana koroner arterden çıkarılan proksimal segmentler, bir hasta için bütün bir 3D proksimal segment verilerine eklenir.
   • Lezyon segmentleri, Şekil 1'de gösterildiği gibi, dış damar duvarından damar çapına eşit bir radyal mesafe ?? içindeki vasküler lezyonlardan çıkarılır (Mahabadi vd., 2010; Wen vd., 2022a). Birden fazla lezyon varsa, lezyon segmentleri bir hasta için bütün bir 3B lezyon segmenti verisine eklenir.
     
     
     
     
     

     Bu makalede, gelecekteki AKS olaylarını doğru bir şekilde tahmin etmek için CCTA görüntülerindeki iki segmenti analiz etmek ve işlemek için CNN tabanlı bir hibrit derin öğrenme çalışması; TSCFE-CFF önerilmektedir. İlk olarak proksimal segmentlerin ve lezyon segmentlerinin özelliklerini ayrı ayrı çıkarmak için bir proksimal akış CNN'i ve bir lezyon akışı CNN'inden oluşan bir TSCFE modülü kullanılmıştır. Ardından, birleştirilmiş temsiller üzerinde doğrusal olmayan özellik füzyonu gerçekleştirmek için bir CFF modülü kullanılmış. Son olarak, ACS'yi tahmin etmek için trilineer dönüşüme sahip bir FC katmanı kullanılmış.

     
     
     

     ResNet, önemli bir sınıflandırma etkisine sahip olduğu deneysel olarak kanıtlanmış en yaygın kullanılan CNN'dir. ResNet'in ResNet 18, ResNet-34 ve ResNet- 50 gibi birçok çeşidi vardır. ResNet-50'nin (He vd., 2016) ilk iki ResBlock'u, tasarlanan TSCFE modülüne uygulanmıştır.
     FC tahmin modülü ise, ACS olaylarının oluşumunu tahmin etmek için kullanılan tam bağlı bir katmandır. TSCFE ve CFF modüllerinden sonra çıktı, nihai ACS tahmini için 2 boyutlu etiket uzayına eşlenmesi gereken 2336 boyutlu yüksek boyutlu bir gösterimdir. Yüksek boyutlu bir temsili doğrudan düşük boyutlu bir temsile eşlemenin dezavantajlarını göz önünde bulundurarak, yüksek boyutlu temsili kademeli olarak etiket uzayına dönüştürerek ACS tahmininin yararlı özelliklerini iyileştiren üç doğrusal bir dönüşüme dayalı bir FC tahmin modülü tasarlanmıştır.

     
     
     
6. Çalışma Popülasyonu
   

   Veri seti Çin Tıp Üniversitesi Shengjing Hastanesi'nden elde edilmiştir. Koroner arter hastalığı şüphesi olan ve Ocak 2013'ten Eylül 2019'a kadar CCTA incelemesi yapılan hastalar retrospektif olarak toplanmıştır. Veri seti, son CCTA incelemesinden bu yana üç yıl içinde takip edilen toplam 100 hastayı içermektedir. Üç yıllık takip sırasında AKS gelişen 50 hasta, gelişmeyen 50 hastayla eşleştirilmiştir (yaş dilimi, cinsiyet, vücut kitle indeksi, geleneksel kardiyovasküler risk faktörleri ve başlangıçtaki ilaçlara göre). AKS geçiren 50 hasta arasında 9 ST-segment yükselmeli miyokard enfarktüsü (STEMI), 22 non-STEMI (NSTEMI) ve 19 kararsız angina (UA) vardı. Dahil edilme kriterleri hastanın klinik verilerinin ve takip kayıtlarının eksiksiz olmasıydı. Dışlama kriterleri ise hastanın daha önce AKS, revaskülarizasyon veya diğer kardiyak cerrahi öyküsü olması, CCTA incelemesinde kesin lezyon olmaması veya hastanın CCTA görüntü kalitesinin tanı için düşük olmasıydı.

7. Çalışmanın Yöntemi

   Metod, sırasıyla PCAT ve aterosklerotik plakların özelliklerini çıkarmak için iki akışlı bir CNN özellik oluşturma (TSCFE) modülü ve bunların özellikleri arasındaki korelasyonlarını keşfetmek için bir kanal özelliği füzyonu (CFF) tasarlamayı hedeflemiştir. Spesifik olarak, üç çizgili tabanlı tam bağlantılı (FC) bir tahmin modülü, yüksek boyutlu gösterimleri düşük boyutlu etiket alanlarına adım adım eşlenmiştir. Metod, CCTA tarafından incelenen retrospektif olarak toplanmış şüpheli koroner arter hastalığı vakalarında doğrulanmıştır. Tahmin doğruluğu, hassasiyeti, özgüllüğü ve eğri altındaki alan (AUC); klasik görüntü sınıflandırma ağlarından ve en son teknolojiye sahip tıbbi görüntü sınıflandırma yöntemlerinden daha yüksektir.
   Bu makalede, AKS tahmini için hem PCAT hem de aterosklerotik plakların CCTA görüntüleme özelliklerini çıkarabilen hibrit bir derin öğrenme çerçevesi (TSCFE-CFF: iki akışlı CNN özellik çıkarımı ve kanal özellik füzyonu) oluşturulmaya çalışılmıştır.

   Bu çalışmadaki tüm deneyler ubuntu 16.04.1 LTS üzerinde Tesla T4'ün iki NVIDIA GPU'sunda uygulanmıştır ve tüm deneyleri Python 3.7.10 ve torch 1.4.0 kullanarak kodlanmıştır. ACS'li 35 vaka ve ACS'siz 35 vaka olmak üzere 70 vaka eğitim verisi olarak rastgele seçilmiştir. Kalan 30 vaka, ACS'li 15 vaka ve ACS'siz 15 vaka dahil olmak üzere test verisi olarak rastgele seçilmiştir.

8. Çalışmanın Sonuçları:
   

   PCAT ve aterosklerotik plak özelliklerinin görüntüleme incelemesinin AKS olaylarının oluşumunu öngörmede etkili olduğu kanıtlanmıştır. Ortalama tahmin doğruluğu, kesinlik, duyarlılık, özgüllük ve F1-skoru sırasıyla 0,913, 0,909, 0,907, 0,920 ve 0,913 olup, önerilen TSCFE-CFF'nin yanlış pozitif oranını önemli ölçüde azaltırken AKS olaylarının oluşumunu etkili bir şekilde tahmin edebildiğini göstermiştir. Ortalama AUC değerinin 0,965 olması, önerilen TSCFE-CFF'nin negatif ve pozitif tahmin olasılığı değerini en üst düzeye çıkarabildiğini göstermektedir. Çalışma ayrıca ''Proksimal-akış CNN + FC'' ve ''Lezyon-akış CNN + FC''nin deneysel sonuçları, hem proksimal segmentlerin hem de lezyon segmentlerinin AKS'yi tahmin edebildiğini göstermektedir. Bununla birlikte, AKS'yi tahmin etmek için iki segmenti giriş verisi olarak kullanan ''İki akışlı CNN + FC'' ile karşılaştırıldığında, doğruluk önemli ölçüde artmıştır. ''Tek akışlı CNN + FC'' de iki segmenti giriş verisi olarak kullansa da, tek akışlı bir CNN yöntemidir ve doğruluğu ''Lezyon akışı CNN + FC'' ile karşılaştırıldığında azalır. Bunun nedeni, tek akışlı CNN yönteminin model parametrelerinin, iki segmentin her birinin özelliklerini aynı anda çıkaramayan tek bir set olmasıdır. ''İki akışlı CNN + FC'' ablasyon deneyi, tasarlanan CFF modülünün TSCFE'den çıkan iki sonucu birleştirebildiğini, boyut bazlı özellik korelasyonlarını öğrenebildiğini ve kanal dönüşümü sırasında kanallar arasındaki doğrusal olmayan özellikleri geliştirebildiğini göstermektedir. FC tahmin modülünde, ACS tahmini için üç doğrusal dönüşüm yöntemini kullanılmıştır. Deneysel sonuçlar, bu yöntemin ACS'yi tek doğrusal dönüşüm yönteminden daha doğru bir şekilde tahmin edebildiğini göstermektedir.
   Çünkü yüksek boyutlu bir temsili doğrudan düşük boyutlu bir temsile eşlemek, ACS tahmininin doğruluğunu etkileyecek birçok etkili özelliği gözden kaçıracaktır. Önerilen TSCFE-CFF birkaç klasik görüntü sınıflandırma ağı ile karşılaştırılmıştır. Bunlar arasında en iyi sınıflandırma performansı, doğruluğu ve AUC'si sırasıyla 0,820 ve 0,844 olan VGG-16'dır, ancak yine de önerilen TSCFE-CFF'den daha düşüktür. Ağ derinliği ve karmaşıklığı arttıkça, ACS tahmininin doğruluğu azalmaktadır. Örneğin, 50 katmanlı ResNet-50'nin tahmin doğruluğu, 16 katmanlı VGG-16'ya kıyasla 0,093 azalmaktadır. Bu durum, ağın derinliğinin artırılmasının küçük boyutlu girdi segmentleri için tahmin doğruluğunu etkili bir şekilde artıramadığını göstermektedir.
   
   Klasik sınıflandırma ağları ile karşılaştırma
   
   

   Klasik sınıflandırma ağları arasında, ACS tahmini için en iyi ağ, doğruluğu ve AUC'si sırasıyla 0,820 ve 0,844'e ulaşabilen, ancak aynı zamanda önerilen TSCFE-CFF'den 0,093 ve 0,121 daha düşük olan VGG 16'dır. DenseNet-169 ve CSP-DenseNet-169 ile karşılaştırıldığında, önerilen TSCFE-CFF'nin tahmin doğruluğu sırasıyla 0,220 ve 0,233 oranında iyileştirilebilir. Klasik sınıflandırma ağlarının tahmin sonuçlarının ROC eğrileri nispeten yoğunlaşmıştır ve en iyi AUC performansı VGG-16 için 0,858, Inception- v4 için 0,764, Inception-ResNet-v2 için 0,787, ResNet-50 için 0,662, DenseNet 169 için 0,698 ve CSP-DenseNet 169 için 0,609'dur ve bunların tümü önerilen TSCFE-CFF'den daha düşüktür.

   
   
   Klinik konvansiyonel CCTA parametreleri ile karşılaştırma
   
   

   Önerilen TSCFE-CFF'nin klinik üstünlüğünü kanıtlamak için, lojistik regresyon analizi kullanılarak gelecekteki AKS olaylarını öngörmek için klinik geleneksel CCTA parametreleri, CAD-RADS (Cury ve ark., 2016), obstrüktif olmayan KAH ve 1/2/3 damar hastalığı değerlendirilmiştir. Ortalama tahmin doğruluğu, kesinliği, duyarlılığı, özgüllüğü, F1-skoru ve AUC sırasıyla 0,687, 0,821, 0,480, 0,893, 0,603 ve 0,744 olup bunların tümü önerilen TSCFE-CFF'den daha düşüktür. İki yöntem arasındaki AUC farkı istatistiksel olarak anlamlıdır (AUC, 0.744 vs. 0.965; P = 0.016).

9. Çalışma Hakkında Yorumlar
   

   Gelecekteki AKS olaylarını tahmin etmek için klinik geleneksel CCTA parametrelerini değerlendiren yöntemle karşılaştırıldığında, önerilen TSCFE- CFF de önemli bir performans elde etmektedir. Önerilen TSCFE-CFF'nin özgüllüğü klinik yönteminkinden biraz daha yüksek olmasına rağmen, klinik yöntemin duyarlılığı önerilen TSCFE-CFF'ninkinden çok daha düşüktür. Bu durum, önerilen TSCFE-CFF'nin klinik tanıya etkili bir şekilde yardımcı olabileceğini ve klinik yanlış tanı oranını azaltabileceğini göstermektedir. Bununla birlikte, hala iki sınırlama vardır;

   1. Doğrulanabilir veri miktarı azdır. Toplanan veriler retrospektiftir, küçük bir örneklem büyüklüğü vardır ve doğrulama için harici veri yoktur. Bununla birlikte, önerilen TSCFE-CFF'nin çok sayıda örneklem ve çok merkezli çalışmalarla daha fazla doğrulanması gerekmektedir.
   2. Veri ön işleme. AKS tahmini için gerekli veriler, SKKA görüntülerinin bir parçası olan PCAT ve aterosklerotik plakların görüntüleridir. Bu nedenle, segmentleri elde etmek için SKKA görüntülerini önceden işlememiz gerekir ki bu zahmetlidir. Gelecekte, yöntemi AKS olaylarını doğrudan SKK görüntüleri üzerinde tahmin edebilecek şekilde geliştirilmelidir.

   
   6. Sonuç
   

   Gelecekteki advers AKS olaylarını tahmin etmek için, ilk olarak proksimal segmentleri ve lezyon segmentlerini girdi verileri olarak kullanılması önerilmektedir. Üç doğrusal tabanlı FC tahmin modülü, yüksek boyutlu özellikleri düşük boyutlu alana adım adım eşlemek için tasarlanmıştır; bu, gelecekteki ACS olaylarını etkili ve sağlam bir şekilde tahmin etmek için oldukça soyut özelliklerdir. Deneysel sonuçlar; doğruluk, hassasiyet, duyarlılık, özgüllük, F1-skoru ve AUC'nin klasik görüntü sınıflandırma ağlarından ve diğer tıbbi görüntü tabanlı son teknoloji sınıflandırma yöntemlerinden daha yüksek olduğunu göstermektedir. Bu nedenle, önerilen TSCFE-CFF, gelecekteki AKS olaylarını tahmin etmede ve tanı oranlarını artırmada klinisyenlere yardımcı olma konusunda potansiyel değere sahiptir.

Kaynak

1. https://www.sciencedirect.com/science/article/abs/pii/S0895611123000824?via%3Dihub