Компьютерные алгоритмы могут автоматически интерпретировать эхокардиографические изображения и различать патологическую гипертрофическую кардиомиопатию (ГКК) и физиологические изменения в сердце спортсменов, согласно исследованию Медицинской школы Икана на горе Синай (ISMMS), опубликованному вчера в Журнале Американского колледжа. кардиологии.
ГКМП – это заболевание, при котором часть миокарда увеличивается, вызывая функциональное нарушение сердца. Это основная причина внезапной смерти молодых спортсменов. Диагностика ГКМП является сложной задачей, поскольку у спортсменов может быть физиологическая гипертрофия, при которой их сердца кажутся большими, но не имеют патологической аномалии ГКМП. Текущий стандарт лечения требует точного фенотипирования двух схожих состояний высококвалифицированным кардиологом.
"Наше исследование впервые продемонстрировало, что алгоритмы машинного обучения могут помочь в различении физиологического и патологического гипертрофического ремоделирования, тем самым облегчая и делая более точную диагностику ГКМП," сказал старший автор исследования Парфо П. Сенгупта, доктор медицины, директор отдела ультразвуковых исследований сердца и профессор кардиологии в Медицинской школе Икана на горе Синай. "Это важная веха для эхокардиографии и важный шаг на пути к разработке системы на основе машинного обучения в реальном времени для автоматической интерпретации эхокардиографических изображений. Это может помочь начинающим читателям эхо-сигналов с ограниченным опытом, делая диагностику быстрой и более доступной."
Используя данные существующей когорты из 139 субъектов мужского пола, которым была сделана эхокардиографическая визуализация в ISMMS (77 подтвержденных случаев спортсменов и 62 подтвержденных случаев HCM), исследователи проанализировали изображения с помощью программного обеспечения для отслеживания тканей и определили наборы переменных для включения в модели машинного обучения. Затем они разработали коллективную модель машинного обучения с тремя разными алгоритмами для различения двух условий. Модель продемонстрировала превосходные диагностические возможности, сравнимые с традиционными параметрами 2D-эхокардиографии и допплеровскими методами, используемыми в клинической практике.
"Наш подход показывает многообещающую тенденцию к использованию автоматизированных алгоритмов в качестве методов точной медицины для улучшения диагностики под руководством врача," сказал автор исследования Джоэл Дадли, доктор философии, директор Института здравоохранения нового поколения и директор Центра биомедицинской информатики ISMMS. "Это демонстрирует, как модели машинного обучения и другие интеллектуальные системы интерпретации могут помочь эффективно анализировать и обрабатывать большие объемы данных УЗИ сердца, а с развитием телемедицины они могут позволить диагностировать сердечную недостаточность даже в самых ресурсоемких областях."