At male et klarere billede af hjertet med maskinlæring

Koronararteriesygdom (CAD) er en tilstand, hvor der dannes plak på væggene i kranspulsårerne, får dem til at indsnævres. Til sidst, dette kan føre til et hjerteanfald, eller død. Denne tilstand er nu det største enkeltstående sundhedsproblem i verden, med over en million mennesker i USA, der gennemgår hjertekateterisering - hvor en stent placeres i arterien for at forhindre blokering - hvert år.

For at hjælpe med at forbedre effektiviteten af ​​diagnose, klinikere udforsker nye måder at måle arterieblokering ved hjælp af virtuel fraktionel flowreserve (vFFR). vFFR involverer brugen af ​​røntgenangiogrammer og computational fluid dynamics (CFD), en metode til modellering, der kombinerer matematik og data for at forstå væskebevægelser og simulere blodgennemstrømning i kranspulsårer. Denne simulering erstatter fuldstændig behovet for et tryktrådskateter, et krav til patienter, der gennemgår traditionel FFR, hvilket betyder, at patienter ikke længere skal gennemgå injektioner med hyperæmiske midler.

Nuværende anvendelser af vFFR er begrænsede, imidlertid, da det kan tage fra flere timer til dage at gennemføre en CFD-algoritmesimulering. For effektivt at bruge vFFR til patienter, CFD-algoritmer skal give både et bredere udvalg af potentielle blokerede arterier og evnen til at beregne en komplet simulering på få minutter, uden at gå på kompromis med diagnostisk nøjagtighed.

I forskning præsenteret på Computing in Cardiology Conference i september 2018, vores team skitserede en ny tilgang til forbedring af vFFR-simuleringer ved hjælp af højtydende databehandling, matematik og data.

Disse simuleringer skal køre på systemer designet til maskinlæring og acceleration af dyb læring. For at imødekomme den efterspørgsel, IBM-forskere i Australien bruger POWER9-systemer, med Nvidia Tesla V100 grafikbehandlingsenheder (GPU'er), at udføre hæmodynamiske simuleringer til vFFR-baseret diagnose inden for et til to minutter. Så vidt vi ved, dette er den første ansøgning af sin art, der afsluttes i næsten realtid.

Hastigheden i at behandle modelsimuleringerne, understøttet af IBM's partnerskab med Nvidia, kunne udmønte sig i betydelige besparelser i manuelt arbejde, infrastruktur og strømeffektivitet for klinikere og hospitaler. Dette betyder også, at klinikere hurtigere kan analysere tryktabet forårsaget af stenose hos CAD-patienter, hjælper med at lette den mentale byrde for patienter, der venter på testresultater.

Denne forskning er det seneste skridt i vores igangværende arbejde med at udvikle, hvordan vi kan opnå et mere præcist og fuldstændigt billede af hjertets indre funktioner med biofysiske modeller og AI. Vores hjerteforskningsteam har flere igangværende initiativer for bedre at forstå, hvordan vi kan forbedre hjerteovervågning på ikke-invasive måder. For nylig, vi publicerede forskning omkring nye måder at bygge og parametrisere mere nøjagtige modeller for hjertebiomekanik på, hvor vi er i stand til bedre at udforske, hvad der sker i hjertet på et anatomisk og cellulært niveau.

Inden for det seneste år, vi har også offentliggjort en undersøgelse, der peger på potentialet ved at kombinere biofysiske modeller og maskinlæring for at hjælpe med at forudsige og afgøre, om et lægemiddel kan føre til uønskede bivirkninger i hjertet, såsom hjertearytmi. Ideelt set en dag kan alle disse forskellige modelleringsteknikker muligvis anvendes sammen for at hjælpe med at give klinikere en klar, minimalt invasiv vurdering af en patients hjertetilstand for bedre at kunne bestemme behandlingsmuligheder.

Denne historie er genudgivet med tilladelse fra IBM Research. Læs den originale historie her.