Voorspellen van hart- en vaatziekten met behulp van artificial intelligence (AI)

Naar schatting stierven er in 2016 17,9 miljoen mensen aan hart- en vaatziekten en daarmee zijn ze de nummer één doodsoorzaak wereldwijd [1]. Vroegtijdige diagnostisering van deze patiënten kan de kans op genezing verhogen en de medische kosten verlagen. In samenwerking met de afdeling cardiologie van het Leids Universitair Medisch Centrum (LUMC) heb ik onderzocht of we bepaalde hartaandoeningen kunnen voorspellen met behulp van deep learning.

Hoe kan je expertkennis van cardiologen real-time hergebruiken?

De afdeling cardiologie van het LUMC voert echocardiografisch onderzoeken uit voor vroegtijdige detectie van patiënten. Om een volledig anatomisch beeld te geven van het hart bevat een echocardiografisch onderzoek meestal meer dan 50 echo’s en afbeeldingen. Deze worden verkregen door een echo-transducer op meerdere posities en onder verschillende hoeken op de borst van een patiënt te plaatsen. Na dit onderzoek moet een expert handmatig de echo’s beoordelen om vervolgens een diagnose te stellen. Het aantal patiënten met hart- en vaatziekten neemt echter jaarlijks toe en het aantal cardiologen met expertkennis in Nederland blijft beperkt. Een methode die in staat is om automatisch de beelden van een echocardiografisch onderzoek te analyseren is dus erg gewenst. Ik heb onderzocht hoe we de expertkennis van cardiologen real-time kunnen hergebruiken.

5 diagnoses, 1 type echo, 2.762 echocardiografische onderzoeken

Ik heb in het onderzoek gefocust op vijf diagnoses:

  • patiënten waarbij geen afwijking geconstateerd kon worden;
  • patiënten waarbij een milde lekkende aortaklep geconstateerd is;
  • patiënten waarbij een ernstige lekkende aortaklep geconstateerd is;
  • patiënten waarbij een milde verminderde pompfunctie van de linkerkamer geconstateerd is;
  • patiënten waarbij een ernstig verminderde pompfunctie van de linkerkamer geconstateerd is.

Om het voorspelmodel te maken heb ik gebruik gemaakt van 2.762 echocardiografische onderzoeken. Van deze onderzoeken is slechts één type echo gebruikt, namelijk de apicale 4 kamer (A4C). In deze echo zijn alle vier holtes van het hart zichtbaar: de linkerkamer, linkerboezem, rechterkamer en de rechterboezem. Hiermee geeft de apicale 4 kamer echo veel informatie over de algemene staat van het hart waardoor het erg nuttig is in het stellen van een diagnose.

Afbeelding 1. Apicale 4 kamer echo [2]

De toepassing van deep learning

Om de 2.762 echocardiografische onderzoeken te analyseren heb ik gebruik gemaakt van deep learning, oftewel deep convolutional neural networks (CNNs). Door recente ontwikkelingen op het gebied van CNNs en de beschikbaarheid van meer rekenkracht is het analyseren van (medische) afbeeldingen recentelijk verbeterd.

De neurale netwerken bestaan uit meerdere layers, waardoor een deep neuraal netwerk ontstaat. In de eerste lagen worden algemene kenmerken als kleuren en randen herkend. In de laatste lagen worden kenmerken herkend die meer onderscheidend zijn voor de verschillende groepen die het netwerk probeert te voorspellen. Door de kenmerken die CNNs gebruiken om categorieën correct te classificeren leert het netwerk zelf van de training data.

Een nadeel van het gebruik van deze diepe neurale netwerken is dat ze erg veel training data nodig hebben om de verschillende groepen in de dataset goed te onderscheiden. Bijvoorbeeld voor de grootste wedstrijd ter wereld voor het classificeren van afbeeldingen, de jaarlijkse Large Scale Visual Recognition Challenge (LSVRC), kan men gebruik maken van een training dataset van 1,2 miljoen afbeeldingen van 1.000 categoriën. De best presterende oplossingen in de wedstrijd hebben neurale netwerken met zeer veel layers getraind met behulp van veel rekenkracht.

In het dagelijkse leven, vooral in de medische wereld, is zo’n grote dataset doorgaans niet beschikbaar. In zo’n geval kunnen we de goed presterende netwerken van de LSVRC hergebruiken. Zoals beschreven, herkennen neurale netwerken in elke laag kenmerken. We kunnen deze netwerken gebruiken om deze kenmerken ook van de afbeeldingen in onze nieuwe dataset op te slaan. Met behulp van deze kenmerken kunnen we dus de groepen in de nieuwe dataset voorspellen. Hoe goed deze methode werkt is natuurlijk afhankelijk van hoeveel de nieuwe dataset overeenkomt met de dataset waarop het neurale netwerk is getraind. Verschillende onderzoeken hebben echter aangetoond dat deze methode ook werkt op medische beelden, maar die verschillen nogal van de ‘natuurlijke’ afbeeldingen in de LSVRC dataset.

Echo’s hebben namelijk een extra tijdsaspect ten opzichte van afbeeldingen. Maar ook voor video’s zijn er voorgetrainde neurale netwerken. In mijn onderzoek heb ik zo’n voorgetraind netwerk gebruikt om een diagnose te stellen op basis van een enkele echo. Dit netwerk, het I3D netwerk, is getraind op video’s afkomstig van YouTube met categoriën, zoals abseilen en bloemschikken.

Succesvol voorspellen van 3 diagnoses

In mijn onderzoek heb ik twee aparte neurale netwerken getraind. Het eerste netwerk onderscheidt patiënten met een aortaklep lekkage van patiënten waarbij geen afwijking geconstateerd is. Het tweede netwerk onderscheidt patiënten met een verminderde pompfunctie van de linkerkamer van patiënten waarbij geen afwijking geconstateerd is. Deze netwerken zijn in staat om de drie meest onderscheidende categoriën goed te onderscheiden. De resultaten in de tabel geven de recall per diagnose weer. Oftewel, het procentuele aantal patiënten dat daadwerkelijk is achterhaald.

Diagnose Recall
Geen afwijking 86%
Milde aortaklep lekkage 36%
Ernstige aortaklep lekkage 96%
Milde verminderde LV functie 36%
Ernstig verminderde LV functie 98%

De resultaten laten zien dat we drie diagnoses zeer goed kunnen voorspellen. 86% van de patiënten zonder afwijking, 96% van de patiënten met een ernstige aortaklep lekkage en 98% van de patiënten met een ernstig verminderde pompfunctie van de linkerkamer werden achterhaald door de netwerken. De patiënten met een milde diagnose werden daarentegen slecht herkend (36%). Deze resultaten komen overeen met de verwachtingen wanneer een voorspelmodel in staat is om onderscheid te maken tussen diagnoses. Namelijk een lagere prestatie voor de mildere categorieën.

Efficiëntere en betere diagnostisering

De resultaten van het onderzoek bieden een basis voor een kunstmatig intelligente interpretatie van een echocardiografisch onderzoek. Een geautomatiseerde interpretatie van deze onderzoeken kan de diagnostisering in Nederland efficiënter en beter maken. Daarbovenop kan het ervoor zorgen dat de expertkennis van westerse cardiologen hergebruikt kan worden in gebieden van de wereld waar normaal geen toegang is tot deze specialistische kennis. Allemaal met als doel om bij te dragen aan een grotere genezingskans bij hart- en vaatziekten.

  1. https://www.who.int/en/news-room/fact-sheets/detail/cardiovascular-diseases-(cvds)
  2. Wharton et al. (2015). A minimum dataset for a standard adult transthoracic echocardiogram: a guideline protocol from the British Society of Echocardiography: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4676441
  3. Zeiler & Fergus (2014). Visualizing and Understanding Convolutional Networks: https://link.springer.com/chapter/10.1007/978-3-319-10590-1_53

Geef een reactie

Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *