La IA logra una precisión del 90 % en la detección de la recurrencia de la fibrilación auricular

• Un nuevo método de aprendizaje profundo detecta posibles señales de recurrencia de la fibrilación auricular con una precisión del 90 %. 
• Para hacer esto, analiza y aprende de imágenes de resonancia magnética cardíaca tridimensionales y genera representaciones anatómicas basadas en puntos de referencia específicos de cada persona. 

Según un informe de los CDC, alrededor de 6,1 millones de personas en los EE. UU. sufren de fibrilación auricular (AFib), una frecuencia cardíaca irregular y a menudo rápida que aumenta el riesgo de insuficiencia cardíaca, accidente cerebrovascular y otras complicaciones.

La presión arterial alta y la edad avanzada representan hasta el 22% de los casos de fibrilación auricular. Por lo general, aumenta 5 veces el riesgo de sufrir un accidente cerebrovascular y causa el 20 % de los accidentes cerebrovasculares isquémicos que ocurren cuando el flujo de sangre al cerebro se obstruye por depósitos de grasa conocidos como placa en el revestimiento de los vasos sanguíneos.

Aunque la AFib no pone en peligro la vida, es una afección grave que a menudo necesita tratamiento de emergencia. En muchos casos reaparece tras el tratamiento. Para detectar posibles señales de su recurrencia, investigadores de la Universidad de Utah han diseñado un método de aprendizaje profundo que detecta AFib con un 90% de precisión.

¿Cómo funciona?

Las redes neuronales profundas utilizan imágenes de resonancia magnética cardíaca tridimensional para producir una representación anatómica basada en puntos de referencia específicos de una persona, eliminando tareas tediosas como el preprocesamiento manual y la segmentación.

Para predecir la recurrencia de AFiB, analiza la forma de la aurícula izquierda (una de las cuatro cámaras del corazón) y busca irregularidades. Sin embargo, la red no se puede entrenar de manera eficiente con muestras limitadas. Por lo tanto, los investigadores aplicaron un enfoque de aumento de datos para producir información estadísticamente más factible y así entrenar la red y al mismo tiempo disminuir el riesgo de sobreajuste.

La red neuronal convolucional se entrena en cientos de imágenes de resonancia magnética, utilizando GPU NVIDIA Tesla con el marco de aprendizaje profundo TensorFlow. Luego realizaron un aumento de datos en el 75 % del conjunto de datos original para mejorar la precisión de la red.

Referencia: arXiv:1810.00475 | Universidad de Utah

Más específicamente, la estructura de la aurícula izquierda muestra un agrupamiento en el espacio de forma debido a la gran cantidad de posibles disposiciones de las venas pulmonares. Para abordar este número, modelaron las formas de la aurícula izquierda como una distribución gaussiana multimodelo en el subespacio de Análisis de Componentes Principales, con tres componentes que proporcionaban el mejor criterio de información bayesiano.

Modelado de formas estándar versus método propuesto | Cortesía de investigadores

En este experimento, se utilizó un total de 207 muestras, de las cuales 175 se utilizaron para el aumento de datos y las restantes se reservaron para pruebas de red (como muestras no observadas).

Resultados

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

Leer:La IA puede detectar el cáncer de piel con mayor precisión que los médicos experimentados

Después de comparar esta técnica con el flujo de trabajo de análisis de formas de última generación existente que exige intervención humana regular y optimización de la correspondencia, descubrieron que los resultados eran estadísticamente comparables. La recurrencia predicha por las redes neuronales profundas tiene una precisión del 90% con un error de ±0,06%.