Inteligența artificială în cardiologia nucleară

Context și importanță clinică

Cardiologia nucleară furnizează informații funcționale esențiale despre perfuzia miocardică, viabilitatea țesutului cardiac și metabolismul miocardic, cu importanță diagnostică centrală în boala coronariană, insuficiența cardiacă și cardiomiopatii ^[1]. Tehnicile imagistice principale — tomografia cu emisie de fotoni unici (SPECT) și tomografia cu emisie de pozitroni (PET) — sunt utilizate pe scară largă, dar se confruntă cu provocări tehnice legate de artefacte de atenuare, variabilitate inter-observator în interpretare și necesitatea expertizei specializate ^[2].

Inteligența artificială oferă soluții promițătoare pentru depășirea acestor limitări. Revizuirea de față sintetizează conceptele fundamentale și aplicațiile IA în cardiologia nucleară, de la optimizarea calității tehnice a imaginilor până la automatizarea diagnosticului și stratificarea riscului cardiovascular, cu accent pe modele IA explicabile și transpunerea lor clinică ^[1].

Clasificarea inteligenței artificiale: terminologie și concepte fundamentale

Inteligența artificială reprezintă un domeniu larg al informaticii, cu multiple subdomenii relevante pentru imagistica medicală nucleară ^[3]. Articolul introduce terminologia fundamentală necesară înțelegerii aplicațiilor clinice:

• Machine learning (ML) — algoritmi care identifică pattern-uri în date prin antrenament iterativ, fără a fi explicit programați pentru fiecare sarcină; include metode supervizate (clasificare, regresie), nesupervizate (clustering) și prin întărire (reinforcement learning)
• Deep learning (DL) — subclasă a ML bazată pe rețele neuronale artificiale cu multiple straturi ascunse, capabile să extragă caracteristici ierarhice din date imagistice brute; arhitecturi frecvente includ rețele convoluționale (CNN) pentru analiza imaginilor și rețele recurente (RNN) pentru serii temporale
• Explainable AI (XAI) — modele proiectate să furnizeze justificări interpretabile pentru decizii clinice, esențiale în medicina clinică unde responsabilitatea diagnostică aparține medicului

Regimurile de antrenament și testare sunt prezentate cu accent pe validarea externă și evitarea supraajustării (overfitting), aspecte critice pentru performanța clinică reală a modelelor, mai ales la deplasarea acestora în contexte clinice diferite de cel în care au fost antrenate ^[3].

Îmbunătățirea înregistrării și calității imaginilor prin IA

Înregistrarea imaginilor — procesul de aliniere a secvențelor imagistice achiziționate în momente diferite sau prin modalități diferite — reprezintă o aplicație imediată a IA în cardiologia nucleară. Algoritmii de deep learning depășesc limitele metodelor tradiționale bazate pe intensitatea pixelilor, asigurând o aliniere mai precisă și mai robustă în prezența variațiilor respiratorii sau de postură ale pacientului ^[4].

Reducerea zgomotului prin rețele neuronale permite achiziția cu doze reduse de radiofarmacice, menținând calitatea diagnostică a imaginilor. Modelele de super-rezoluție bazate pe IA pot reconstrui imagini cu detalii anatomice fine din achiziții rapide de joasă doză, potențial transformând protocoalele clinice actuale și reducând semnificativ expunerea pacienților la radiații ionizante ^[2].

Corecția de atenuare prin inteligență artificială

Corecția de atenuare reprezintă una dintre cele mai complexe provocări tehnice în imagistica SPECT cardiacă. Artefactele de atenuare cauzate de diafragm, țesut mamar sau adipos pot mima sau masca defecte de perfuzie miocardică reale, generând rezultate fals pozitive sau fals negative cu consecințe clinice semnificative în conduita terapeutică a pacienților cu boală coronariană suspectată ^[5].

Metodele de corecție a atenuării bazate pe IA, inclusiv rețele neuronale generative adversariale (GAN), pot estima hărți de atenuare CT direct din datele SPECT înseși, fără expunere suplimentară la radiații. Această abordare are potențialul de a standardiza corecția de atenuare și în laboratoarele care nu dispun de echipamente CT-SPECT combinate, democratizând accesul la imagistică nucleară cardiacă de calitate diagnostică înaltă ^[1].

Machine learning și deep learning pentru diagnostic și stratificarea riscului

Cel mai mare potențial al IA în cardiologia nucleară rezidă în capacitatea de a integra date complexe, multidimensionale, pentru îmbunătățirea diagnosticului și stratificarea riscului cardiovascular. Modelele de deep learning pot identifica pattern-uri subtile în hărțile de perfuzie miocardică, inaccesibile analizei vizuale convenționale ^[4].

• Modelele ML antrenate pe mii de studii de perfuzie miocardică clasifică leziunile în funcție de teritoriul coronarian cu precizie comparabilă sau superioară interpretării experților umani
• Algoritmii de predicție a evenimentelor adverse majore cardiovasculare (MACE) integrează parametrii perfuziei miocardice cu date clinice și biomarkeri pentru stratificarea riscului pe termen mediu și lung
• Recunoașterea automată a pattern-urilor caracteristice ale cardiomiopatiei hipertrofice, amiloidozei cardiace și sarcoidozei cardiace prin distribuția trasorilor radioactivi este posibilă cu modele DL specializate

Avansurile în tehnicile de ML și DL includ arhitecturi recente ce depășesc performanțele modelelor anterioare în studii de validare independente, sugerând maturizarea treptată a domeniului spre aplicații clinice de rutină ^[3].

Modele explicabile și transpunerea clinică responsabilă

O barieră majoră în implementarea clinică a IA a reprezentat-o caracterul de „cutie neagră" al rețelelor neuronale profunde — medicii incapabili să înțeleagă de ce un model a furnizat o anumită concluzie vor ezita să îi acorde încredere în decizii cu impact direct asupra pacienților. Modelele IA explicabile adresează această problemă prin generarea de hărți de activare și justificări care indică regiunile imagistice cu cea mai mare contribuție la decizia automată ^[1].

Transpunerea clinică a IA în cardiologia nucleară necesită validare prospectivă în cohorte reprezentative din punct de vedere demografic, standardizarea protocoalelor de antrenament și testare, evaluarea performanței în subgrupuri diverse și integrare cu sistemele informatice radiologice existente. Colaborarea interdisciplinară între cardiologi, medici de medicină nucleară, fizicieni medicali și experți în IA este esențială pentru implementarea responsabilă ^[5].

Perspective viitoare

Câmpul IA în cardiologia nucleară evoluează rapid, cu perspective promițătoare pe mai multe direcții. Federarea datelor (federated learning) permite antrenarea modelelor distribuit, fără centralizarea datelor pacienților, extindând bazele de date de antrenament și menținând confidențialitatea. Integrarea IA cu imagistica multimodală (PET/CT, PET/RMN) deschide perspective pentru evaluarea simultană a morfologiei, funcției și metabolismului cardiac la un nivel fără precedent de detaliu ^[4].

Cercetările viitoare vor trebui să abordeze generalizabilitatea modelelor în populații diverse, să stabilească standarde de reglementare pentru aprobarea dispozitivelor medicale bazate pe IA și să evalueze impactul clinic real asupra rezultatelor pacienților. Cardiologia nucleară se află în pragul unei transformări profunde generate de IA, cu potențialul de a oferi diagnostice mai precise, mai rapide și mai accesibile populațiilor deservite ^[1].

Implementarea IA necesită validare prospectivă, standardizarea protocoalelor și utilizarea modelelor explicabile (XAI) pentru a asigura încrederea clinică.

[1] Miller RJH. Artificial Intelligence in Nuclear Cardiology. Cardiol Clin. 2023;41(2). https://doi.org/10.1016/j.ccl.2023.01.004 [2] Slomka PJ, Dey D, Sitek A, Motwani M, Berman DS, Germano G. Cardiac imaging: working towards fully-automated machine analysis & interpretation. Expert Rev Med Devices. 2017;14(3):197-212. https://doi.org/10.1080/17434440.2017.1300057 [3] LeCun Y, Bengio Y, Hinton G. Deep learning. Nature. 2015;521(7553):436-444. https://doi.org/10.1038/nature14539 [4] Betancur J, Commandeur F, Motlagh M, et al. Deep Learning for Prediction of Obstructive Disease From Fast Myocardial Perfusion SPECT. JACC Cardiovasc Imaging. 2018;11(11):1600-1609. https://doi.org/10.1016/j.jcmg.2018.01.020 [5] Dey D, Slomka PJ, Leeson P, et al. Artificial Intelligence in Cardiovascular Imaging: JACC State-of-the-Art Review. J Am Coll Cardiol. 2019;73(11):1317-1335. https://doi.org/10.1016/j.jacc.2018.12.054 [6] Litjens G, Kooi T, Bejnordi BE, et al. A survey on deep learning in medical image analysis. Med Image Anal. 2017;42:60-88. https://doi.org/10.1016/j.media.2017.07.005 [7] Rajpurkar P, Chen E, Banerjee O, Topol EJ. AI in health and medicine. Nat Med. 2022;28(1):31-38. https://doi.org/10.1038/s41591-021-01614-0