La interpretación automática de imagen cardiaca tiene el potencial de transformar la práctica clínica de varias maneras, como la posibilidad de valoración de la función cardiaca por no expertos en atención primaria y entornos rurales.
Los autores de este estudio hipotetizan que los avances en visión informatizada podrían habilitar el diseño de una batería de análisis escalonados y totalmente automatizados para la interpretación del ecocardiograma, incluyendo (1) identificación visual, (2) segmentación de la imagen, (3) cuantificación estructural y funcional y (4) detección de enfermedad.
Utilizando 14.035 ecocardiogramas que abarcan un periodo de 10 años, entrenaron y evaluaron modelos de red neuronal convolucional para varias tareas, incluyendo la identificación automática de 23 puntos y la segmentación de cámaras cardiacas en 5 planos habituales. La segmentación se utilizó para cuantificar los volúmenes de las cámaras y la masa ventricular izquierda, determinar la fracción de eyección y facilitar la determinación automática del strain longitudinal a través de speckle tracking. Los resultados se evaluaron con la comparación de la segmentación manual y las medidas de 8.666 ecocardiogramas obtenidos durante el trabajo clínico rutinario. Finalmente, se desarrollaron modelos para detectar tres enfermedades: miocardiopatía hipertrófica, amiloidosis cardiaca e hipertensión pulmonar.
Las redes neuronales convolucionales identificaron los planos con bastante exactitud (p. ej. 86% para el eje largo paraesternal), incluyendo cámaras cardiacas parcialmente visualizadas y permitieron la segmentación de cámaras cardiacas individuales. Las medidas resultantes de las estructuras cardiacas coincidían con los valores informados en el estudio (p. ej. la mediana de desviación absoluta fue del 15 al 17% para los valores observados para la masa ventricular izquierda, volumen diastólico ventricular izquierdo y volumen de la aurícula izquierda). En términos de función, se computaron la fracción de eyección automática y las medidas de strain longitudinal (en dos cohortes), las cuales coincidieron con los valores derivados del software comercial (para fracción de eyección, la mediana de desviación absoluta fue el 9,7% de la observada, n = 6.407 estudios; para strain, la mediana de desviación absoluta fue del 7,5%, n = 419 y del 9%, n = 110) y se demostró la aplicabilidad para la monitorización seriada de pacientes con cáncer de mama para cardiotoxicidad por trastuzumab. Sobre todo, se encontró que las medidas automáticas son comparables o superiores a las medidas manuales en base a 11 medidas de consistencia interna (p. ej. la correlación de los volúmenes de la aurícula y el ventrículo izquierdos). Finalmente, se entrenaron a las redes neuronales convolucionales a detectar miocardiopatía hipertrófica, amiloidosis cardiaca e hipertensión pulmonar con estadísticos C de 0,93, 0,87 y 0,85, respectivamente.
En conclusión, la batería propuesta establece el trabajo inicial para usar la interpretación automática como soporte al seguimiento seriado de pacientes y el análisis escalonado de millones de ecocardiogramas archivados en los sistemas sanitarios.
Comentario
Asistentes personales en el móvil, reconocimiento facial para abrir nuestra cuenta bancaria, altavoces inteligentes en nuestra casa que controlan los electrodomésticos, ejemplos de inteligencia artificial que están en nuestro día a día. Sin duda, el deep learning y las redes neuronales artificiales han llegado para quedarse y su extensión como herramienta clínica era de esperar.
Los autores utilizan algoritmos muy avanzados y recientes de reconocimiento de imagen informática, como los utilizados en coches sin conductor, y han desarrollado la primera pipeline que interpreta algunos aspectos del ecocardiograma como la identificación de planos, delimita las cámaras, dando medidas morfológicas y funcionales y detectando enfermedades concretas.
La primera ventaja de esta tecnología sería la democratización de la interpretación ecocardiográfica para despistaje de ciertas patologías en zonas de difícil cobertura o disponibilidad de cardiólogos.
Sin embargo, existen ciertas limitaciones y es que, como la red neuronal humana, este modelo está basado en el aprendizaje. Casos muy dispares a los modelos utilizados para este reconocimiento de imagen, conllevarían una dificultad para la segmentación y por tanto las medidas. En el estudio se analizaron más de 14.000 estudios en unas 3 semanas, y el número de casos con discrepancia extrema entre la medida automática y manual se analizó. Hasta el 60% de los casos discrepantes, con un reanálisis manual se confirmaba que las medidas automáticas habían sido correctas pero hasta un 25% de estos casos efectivamente habían mostrado dificultades en la segmentación. Obviamente los estudios en fibrilación auricular u otros ritmos no regulares conllevaban una dificultad añadida para el análisis automático en este estudio que no utilizaba monitorización electrocardiográfica por su idea inicial de minimización de costes.
Por todo ello, aunque vemos potencialidad clínica de esta herramienta en un futuro para cribado de algunas cardiopatías en determinados ámbitos asistenciales y en su vertiente de investigación para el análisis de grandes bases de imágenes archivadas, actualmente no es un método adecuado para uso clínico independiente.
Referencia
Fully Automated Echocardiogram Interpretation in Clinical Practice
- Zhang J, Gajjala S, Agrawal P, Tison GH, Hallock LA, Beussink-Nelson L, Lassen MH, Fan E, Aras MA, Jordan C, Fleischmann KE, Melisko M, Qasim A, Shah SJ, Bajcsy R, Deo RC.
- Circulation. 2018;138:1623-1635.
