QS Edizioni - venerdì 22 novembre 2024
Scienza e Farmaci
Torace. Il deep learning prevede il rapporto tra flusso polmonare e sistemico
di Will Boggs
27 gennaio - Grazie a un metodo basato sull’apprendimento profondo è possibile un’analisi non invasiva di questo importante parametro emodinamico per i pazienti con malattia coronarica. Uno studio giapponese apre nuovi spiragli in questo ambito.
(Reuters Health) – Un’analisi basata sul deep learning delle radiografie del torace predice accuratamente i rapporti di flusso polmonare-sistemico in pazienti con cardiopatia congenita. È quanto emerge da uno studio condotto in Giappone.
“Questo sistema basato sul deep learning offrirà un’opportunità per l’analisi quantitativa e obiettiva dello stato del flusso sanguigno polmonare nelle radiografie del torace nella pratica quotidiana – dice Shuhei Toba, della Mie University Graduate School of Medicine di Tsu e del Boston Children’s Hospital, autore dello studio – Oltre alle eccezionali prestazioni del sistema attuale, l’apprendimento profondo può darci una nuova visione medica dei risultati della radiografia del torace che predicono lo stato emodinamico, altrimenti non riconosciuti come tali”.
Il rapporto flusso polmonare-sistemico è un importante parametro emodinamico per il processo decisionale clinico in pazienti con malattia coronarica, ma la sua misurazione attualmente richiede una procedura invasiva. Il deep learning è già stato utilizzato per analizzare le immagini radiografiche, ma non era ancora stato applicato all’analisi delle radiografie del torace in questi pazienti.
Lo studio
Per sviluppare e validare il loro metodo, Toba e colleghi hanno utilizzato Inception-v3, un modello di rete neurale convoluzionale profondo sviluppato da Google. Il rapporto medio di flusso polmonare-sistemico derivato dalla legge di Fick da 1.031 cateterismi eseguiti per 657 pazienti è stato di 1,43 ed è stato 2,0 o più nel 18% dei cateterismi nel gruppo di addestramento e nel 19% dei cateterismi nel gruppo di valutazione.
Il coefficiente di correlazione intraclasse per il rapporto flusso-polmonare-derivato derivato da Fick e dall’apprendimento profondo è stato 0,68, come hanno riportato i ricercatori su Jama Cardiology. Il tasso di concordanza diagnostica tra la classificazione derivata dall’apprendimento profondo e quella derivata da Fick è stato del 64% (64/100), significativamente superiore a quello dei cardiologi pediatrici certificati (49%).
Il modello derivato dal deep learning ha rilevato un elevato rapporto di 2,0 o più con una precisione dell’86%, rispetto all’80% dei cardiologi pediatrici.
“Riteniamo che il modello basato sul deep learning (o sull’intelligenza artificiale) sarà molto utile per lo screening o la clinica ambulatoriale, in cui gli specialisti non sono facilmente accessibili – ha sottolineato Toba – Inoltre, se le prestazioni del nostro modello fossero ulteriormente ottimizzate su più casi, questo potrebbe essere utilizzato nella pratica clinica quotidiana per valutare lo stato del flusso sanguigno polmonare, proprio come un parametro molto comune, il rapporto toracico cardiaco, per la cardiomegalia nelle radiografie del torace”.
Fonte: Cardiology
Will Boggs
(Versione italiana Quotidiano Sanità/Popular Science)
“Questo sistema basato sul deep learning offrirà un’opportunità per l’analisi quantitativa e obiettiva dello stato del flusso sanguigno polmonare nelle radiografie del torace nella pratica quotidiana – dice Shuhei Toba, della Mie University Graduate School of Medicine di Tsu e del Boston Children’s Hospital, autore dello studio – Oltre alle eccezionali prestazioni del sistema attuale, l’apprendimento profondo può darci una nuova visione medica dei risultati della radiografia del torace che predicono lo stato emodinamico, altrimenti non riconosciuti come tali”.
Il rapporto flusso polmonare-sistemico è un importante parametro emodinamico per il processo decisionale clinico in pazienti con malattia coronarica, ma la sua misurazione attualmente richiede una procedura invasiva. Il deep learning è già stato utilizzato per analizzare le immagini radiografiche, ma non era ancora stato applicato all’analisi delle radiografie del torace in questi pazienti.
Lo studio
Per sviluppare e validare il loro metodo, Toba e colleghi hanno utilizzato Inception-v3, un modello di rete neurale convoluzionale profondo sviluppato da Google. Il rapporto medio di flusso polmonare-sistemico derivato dalla legge di Fick da 1.031 cateterismi eseguiti per 657 pazienti è stato di 1,43 ed è stato 2,0 o più nel 18% dei cateterismi nel gruppo di addestramento e nel 19% dei cateterismi nel gruppo di valutazione.
Il coefficiente di correlazione intraclasse per il rapporto flusso-polmonare-derivato derivato da Fick e dall’apprendimento profondo è stato 0,68, come hanno riportato i ricercatori su Jama Cardiology. Il tasso di concordanza diagnostica tra la classificazione derivata dall’apprendimento profondo e quella derivata da Fick è stato del 64% (64/100), significativamente superiore a quello dei cardiologi pediatrici certificati (49%).
Il modello derivato dal deep learning ha rilevato un elevato rapporto di 2,0 o più con una precisione dell’86%, rispetto all’80% dei cardiologi pediatrici.
“Riteniamo che il modello basato sul deep learning (o sull’intelligenza artificiale) sarà molto utile per lo screening o la clinica ambulatoriale, in cui gli specialisti non sono facilmente accessibili – ha sottolineato Toba – Inoltre, se le prestazioni del nostro modello fossero ulteriormente ottimizzate su più casi, questo potrebbe essere utilizzato nella pratica clinica quotidiana per valutare lo stato del flusso sanguigno polmonare, proprio come un parametro molto comune, il rapporto toracico cardiaco, per la cardiomegalia nelle radiografie del torace”.
Fonte: Cardiology
Will Boggs
(Versione italiana Quotidiano Sanità/Popular Science)
27 gennaio 2020
© QS Edizioni - Riproduzione riservata