La maladie coronarienne athérosclérotique (MCAS) est la principale cause de décès chez l'adulte dans le monde. La procédure peu invasive appelée angiographie coronarienne constitue la principale porte d'entrée pour le diagnostic et la prise en charge clinique de la MCAS, ainsi que pour la thérapie à base de stents. Notre travail démontre que l'interprétation automatisée par l'IA des angiogrammes coronariens réels peut estimer avec précision la gravité du rétrécissement des artères coronaires, également connu sous le nom de "sténose".
Qu'est-ce que CathAI ?
Nous avons développé CathAI - une suite d'algorithmes de réseaux neuronaux profonds multiples - pour réaliser l'interprétation automatisée des angiogrammes coronaires. Pour automatiser cela, nous avons développé une suite d'algorithmes variés. Les angiogrammes passent d'un algorithme à l'autre, chacun effectuant une tâche spécifique. Ces tâches comprennent la classification de l'angle de projection angiographique, l'identification de la structure anatomique principale, la localisation d'objets tels que les segments d'artère et les sténoses, et l'estimation de la gravité de la sténose coronarienne.
Comment ça marche ?
La MCAS résulte de l'accumulation de plaques athéroscléreuses (remplies de cholestérol) dans les artères coronaires qui alimentent le muscle cardiaque. La norme actuelle est que les médecins interprètent visuellement ces angiogrammes.
Avantages de CathAI
Une approche plus standardisée et reproductible de l'interprétation des angiogrammes est d'une importance clinique critique. Pour automatiser cela, nous avons développé CathAI, une suite d'algorithmes de réseaux neuronaux profonds multiples. Ces algorithmes fonctionnent en séquence pour accomplir les tâches nécessaires à l'évaluation automatisée de la sténose coronarienne. Deux médecins experts ont indépendamment interprété la gravité de la sténose des artères coronaires. Comparé à ces estimations d'experts, CathAI a obtenu de très bons résultats, soutenant sa pertinence clinique.
La technologie derrière CathAI
Nous avons rassemblé un ensemble de données d'environ 200 000 vidéos d'angiogrammes provenant d'environ 12 000 individus distincts de San Francsicopour développer et valider CathAI. Les algorithmes de CathAI ont démontré une grande valeur prédictive, une sensibilité élevée et des scores F1 élevés pour l'identification de différents aspects, tels que l'angle de projection global et l'artère coronaire principale. CathAI a montré de très bons résultats pour l'identification de la sténose coronarienne "obstructive" cliniquement significative.
Conclusion
This work demonstrates that multiple purpose-built neural networks can function in sequence to accomplish the complex tasks required for automated analysis of real-world angiograms. CathAI achieves state-of-the-art results and operates within seconds on commonly available GPU hardware. This enables real-time analysis during the angiogram procedure itself, thereby assisting physicians in their interpretations.