IA atinge 90% de precisão na detecção de recorrência de fibrilação atrial

• Um novo método de aprendizado profundo detecta possíveis sinais de recorrência de fibrilação atrial com 90% de precisão. 
• Para fazer isso, ele analisa e aprende com imagens tridimensionais de ressonância magnética cardíaca e gera representação anatômica baseada em pontos de referência específicos da pessoa. 

De acordo com o relatório do CDC, cerca de 6,1 milhões de pessoas nos EUA sofrem de fibrilação atrial (AFib) – uma frequência cardíaca irregular e muitas vezes rápida que aumenta o risco de insuficiência cardíaca, acidente vascular cerebral e outras complicações.

A hipertensão arterial e o avanço da idade são responsáveis por até 22% dos casos de AFib. Normalmente, aumenta o risco de acidente vascular cerebral em 5 vezes e causa 20% dos acidentes vasculares cerebrais isquêmicos que ocorrem quando o fluxo de sangue para o cérebro é obstruído por depósitos de gordura conhecidos como placas no revestimento dos vasos sanguíneos.

Embora AFib não seja fatal, é uma doença grave que muitas vezes necessita de tratamento de emergência. Em muitos casos, reaparece após o tratamento. Para detectar possíveis sinais de sua recorrência, pesquisadores da Universidade de Utah desenvolveram um método de aprendizado profundo que detecta AFib com 90% de precisão.

Como funciona?

Redes neurais profundas usam imagens tridimensionais de ressonância magnética cardíaca para produzir uma representação anatômica baseada em pontos de referência específicos da pessoa, eliminando tarefas tediosas como pré-processamento manual e segmentação.

Para prever a recorrência de AFiB, ele analisa o formato do átrio esquerdo (uma das quatro câmaras do coração) e procura irregularidades. No entanto, a rede não pode ser treinada de forma eficiente com amostras limitadas. Portanto, os pesquisadores aplicaram uma abordagem de aumento de dados para produzir informações estatisticamente mais viáveis ​​e, assim, treinar a rede e, ao mesmo tempo, diminuir o risco de overfitting.

A rede neural convolucional é treinada em centenas de imagens de ressonância magnética, usando GPUs NVIDIA Tesla com estrutura de aprendizado profundo TensorFlow. Em seguida, eles realizaram o aumento de dados em 75% do conjunto de dados original para melhorar a precisão da rede.

Referência: arXiv:1810.00475 | Universidade de Utah

Mais especificamente, a estrutura do átrio esquerdo apresenta um agrupamento no espaço da forma devido ao grande número de arranjos possíveis das veias pulmonares. Para lidar com esse número, eles modelaram as formas do átrio esquerdo como uma distribuição gaussiana multimodelo no subespaço de análise de componentes principais, com três componentes fornecendo o melhor critério de informação bayesiana.

Modelagem de forma padrão versus método proposto | Cortesia de pesquisadores

Neste experimento foram utilizadas um total de 207 amostras, das quais 175 foram utilizadas para aumento de dados e as demais foram reservadas para testes de rede (como amostras não observadas).

Resultados

Como a técnica proposta funciona aprendendo descritores de forma a partir de imagens, ela tem sido utilizada para segmentação automática do átrio esquerdo com resultados promissores.

Leia:IA pode detectar câncer de pele com mais precisão do que médicos experientes

Depois de comparar esta técnica com o fluxo de trabalho de análise de forma de última geração existente que exige intervenção humana regular e otimização de correspondência, eles descobriram que os resultados eram estatisticamente comparáveis. A recorrência prevista pelas redes neurais profundas é 90% precisa com um erro de ±0,06%.