IA logra 90% de precisión detectando recurrencia de fibrilación auricular

• Un nuevo método de deep learning detecta posibles señales de recurrencia de Fibrilación Auricular con 90% de precisión.
• Para ello, analiza y aprende de imágenes de resonancia magnética cardíaca tridimensionales y genera representación anatómica basada en landmarks específica por persona.

Según informe de CDC, alrededor de 6,1 millones de personas en EE. UU. sufren de Fibrilación Auricular (FA) — un ritmo cardíaco irregular y a menudo rápido que aumenta el riesgo de insuficiencia cardíaca, ictus y otras complicaciones.

La presión arterial alta y la edad avanzada representan hasta el 22% de los casos de FA. Usualmente, aumenta el riesgo de ictus 5 veces y causa el 20% de ictus isquémicos que ocurren cuando el flujo de sangre al cerebro es obstruido por depósitos grasos conocidos como placa en el revestimiento de los vasos sanguíneos.

Aunque la FA no es mortal, es una condición seria que a menudo necesita tratamiento de emergencia. En muchos casos, reaparece después del tratamiento. Para detectar posibles señales de su recurrencia, investigadores de la Universidad de Utah han diseñado un método de deep learning que detecta FA con 90% de precisión.

¿Cómo funciona?

Redes neuronales profundas usan imágenes de resonancia magnética cardíaca tridimensional para producir una representación anatómica basada en landmarks específica por persona, eliminando tareas tediosas como preprocesamiento y segmentación manual.

Para predecir recurrencia de FA, analiza la forma de una aurícula izquierda (una de las cuatro cámaras del corazón) y busca irregularidades. Sin embargo, la red no puede entrenarse eficientemente con muestras limitadas. Por tanto, investigadores aplicaron un enfoque de aumento de datos para producir información estadísticamente más factible, y así entrenar la red mientras disminuyen el riesgo de overfitting.

La red neuronal convolucional se entrena en cientos de imágenes MRI, usando GPUs NVIDIA Tesla con framework de deep learning TensorFlow. Luego realizaron aumento de datos en el 75% del dataset original para mejorar la precisión de la red.

Referencia: arXiv:1810.00475 | Universidad de Utah

Más específicamente, la estructura de la aurícula izquierda exhibe un clustering en el espacio de formas debido al vasto número de posibles arreglos de venas pulmonares. Para lidiar con este número, modelaron formas de aurícula izquierda como una distribución Gaussiana multi-modelo en el subespacio de Análisis de Componentes Principales, con tres componentes proporcionando el mejor criterio de información bayesiano.

Modelado de forma estándar vs método propuesto | Cortesía de los investigadores

En este experimento, se usaron un total de 207 muestras, de las cuales 175 se usaron para aumento de datos y las restantes se reservaron para test de la red (como muestras no observadas).

Resultados

Dado que la técnica propuesta funciona aprendiendo descriptores de forma a partir de imágenes, ha sido utilizada para segmentación automática de aurícula izquierda con resultados prometedores.

Leer: IA detecta cáncer de piel más precisamente que médicos experimentados

Tras comparar esta técnica con el workflow de análisis de forma state-of-the-art existente que demanda intervención humana regular y optimización de correspondencia, encontraron que los resultados eran estadísticamente comparables. La recurrencia predicha por las redes neuronales profundas es 90% precisa con un error de ±0,06%.