Angiografia 2.0: L’Intelligenza Artificiale Impara a Riconoscere il Tuo Cuore!

Ciao a tutti! Oggi voglio parlarvi di qualcosa che mi appassiona tantissimo e che sta cambiando il modo in cui “vediamo” dentro il nostro cuore: l’uso del deep learning in angiografia. Sembra fantascienza, vero? Eppure, è una realtà sempre più concreta che promette di rendere queste procedure mediche più sicure ed efficaci.

Perché Ottimizzare l’Angiografia?

Facciamo un passo indietro. L’angiografia coronarica e le procedure cardiache strutturali sono fondamentali per diagnosticare e trattare molti problemi al cuore. Usano i raggi X per visualizzare in tempo reale le arterie coronarie e altre strutture cardiache. Ma c’è un “ma”: per ottenere immagini nitide senza esporre il paziente (e l’operatore!) a radiazioni eccessive, è cruciale scegliere i parametri giusti per la macchina a raggi X.

Pensateci: ogni parte del cuore si muove in modo diverso e ha bisogno di impostazioni specifiche. L’arteria coronaria destra (RCA), ad esempio, si muove più velocemente della sinistra (LCA). Se usiamo gli stessi parametri per entrambe, rischiamo di avere immagini mosse per la RCA, come una foto sfocata di un’auto in corsa (avete presente l’immagine a sinistra nella Figura 1 del paper originale? Ecco!).

Attualmente, esistono dei “programmi d’organo” (organ programs) preimpostati, ma la selezione è spesso manuale. L’operatore sceglie un set di parametri all’inizio e raramente li modifica. Questo significa perdere l’opportunità di ottimizzare davvero la procedura per ogni specifica parte del cuore che si sta osservando, come l’arteria coronaria sinistra (LCA), la destra (RCA) o il ventricolo sinistro (LV).

La Sfida: Vedere Prima del Contrasto

Qui entra in gioco la nostra idea: e se potessimo insegnare a un’intelligenza artificiale a riconoscere quale parte del cuore stiamo inquadrando, prima ancora di iniettare il mezzo di contrasto che rende visibili le arterie? Sarebbe fantastico! Potremmo regolare automaticamente i parametri della macchina a raggi X, scegliendo il “programma d’organo” perfetto per quella specifica area.

La sfida non è banale. Stiamo parlando di analizzare i primissimi frame di una sequenza radiografica, quelli “vuoti”, dove le strutture vascolari non si vedono ancora chiaramente (a parte magari la punta del catetere). A volte le immagini sono pure zoomate, rendendo il tutto ancora più complesso. Come fa l’AI a capire se sta guardando la LCA, la RCA o il LV in queste condizioni?

Il Nostro Approccio: Dati Multimodali e Deep Learning

Abbiamo deciso di affrontare questa sfida usando il deep learning e un approccio multimodale. Cosa significa? Che non ci siamo basati solo sulle immagini a raggi X, ma abbiamo aggiunto un’altra informazione cruciale: l’angolazione del braccio a C della macchina angiografica. Quest’angolazione (descritta con sigle come LAO, RAO, CAUD, CRAN) ci dice da che punto di vista stiamo guardando il cuore, ed è un indizio importante.

Abbiamo testato tre diverse architetture di deep learning:

• Un modello basato su ResNet-50 (un’architettura molto usata per l’analisi di immagini) che analizzava solo i frame radiografici.
• Un modello più semplice, un Multilayer Perceptron (MLP), che analizzava solo i dati di angolazione.
• Un modello multimodale che combinava le informazioni dalle immagini (processate da ResNet-50) e quelle dall’angolazione (processate da MLP).

Per addestrare e validare i nostri modelli, abbiamo usato un dataset bello corposo: 275 sequenze radiografiche provenienti da diversi ospedali e macchinari, per assicurarci che i nostri algoritmi fossero robusti. Per la valutazione finale, abbiamo usato un set di test indipendente di 146 sequenze.

L’Importanza del Pre-processing delle Immagini

Un aspetto fondamentale quando si lavora con immagini mediche è come le “prepariamo” prima di darle in pasto all’AI. Abbiamo sperimentato diverse tecniche di pre-processing:

• Trasformazione Logaritmica (Log transform): Questa tecnica non lineare migliora il contrasto, rendendo più visibili le zone scure.
• Trasformazione Radice Quadrata (Square root transform): Utile per uniformare il “rumore” nell’immagine.
• Correzione dello Scatter + Log: Tenta di rimuovere gli effetti della radiazione diffusa.

Indovinate quale ha funzionato meglio? La trasformazione logaritmica! Sembra che migliorare la visibilità delle zone più scure aiuti la rete neurale a estrarre informazioni più utili, anche da immagini pre-contrasto. Curiosamente, la correzione dello scatter, che a occhio umano potrebbe sembrare migliore, ha dato i risultati peggiori per l’AI. Questo ci ricorda che ciò che sembra ottimale per noi non lo è necessariamente per un algoritmo!

Abbiamo anche notato che usare un modello ResNet-50 pre-addestrato (cioè che aveva già “imparato” a riconoscere forme e pattern da milioni di altre immagini, grazie a ImageNet) funzionava molto meglio che addestrarne uno da zero. Questo approccio, chiamato transfer learning, è potentissimo quando non si hanno dataset giganteschi.

I Risultati: Il Multimodale Vince!

E ora, i risultati! Come sospettavamo, il modello multimodale, quello che combinava immagini (pre-processate con trasformazione log) e dati di angolazione, è stato il migliore. Ha raggiunto un F1-score medio di 0.82 e un AUC (un’altra metrica di performance) di 0.87.

Cosa significa? Che il nostro modello è stato piuttosto bravo a distinguere tra LCA, RCA e LV basandosi solo su quei frame iniziali senza contrasto e sull’angolazione.

Analizzando i modelli separati:

• Il modello basato solo sulle immagini (con log transform) ha ottenuto buoni risultati (F1-score 0.76, AUC 0.82), ma faceva un po’ di confusione tra LCA e RCA, che possono apparire simili senza contrasto. Era però bravissimo a riconoscere il LV (F1-score 0.91), probabilmente perché spesso in quelle immagini si vede un tipo specifico di catetere (pigtail) che è un indizio forte.
• Il modello basato solo sull’angolazione è stato il meno performante (F1-score basso, specialmente per RCA). Guardando la distribuzione delle angolazioni tipiche per ciascuna struttura (Figura 6 nel paper), si capisce perché: c’è molta sovrapposizione, specialmente tra le angolazioni usate per RCA e LV. Era però decente nel riconoscere la LCA.

La combinazione dei due tipi di dati nel modello multimodale ha permesso di superare i limiti di ciascun approccio singolo, migliorando l’accuratezza generale.

Confronto con gli Esperti Umani

Una delle cose più interessanti che abbiamo fatto è stata confrontare le performance del nostro modello multimodale con quelle di esperti clinici (specialisti di imaging, tecnici radiologi, fisici medici). Abbiamo chiesto loro di classificare le stesse immagini pre-contrasto. Il risultato? Il nostro modello ha ottenuto performance molto simili a quelle degli esperti (F1-score medio di 0.82 per entrambi)!

Questo è notevole, considerando la difficoltà del compito senza vedere le arterie illuminate dal contrasto. Gli esperti erano particolarmente bravi con il LV (F1-score 1.0), confermando che il tipo di catetere è un indizio visivo forte per loro. La cosa impressionante è che il nostro modello fa questa classificazione in 1-2 secondi, mentre gli esperti impiegavano in media 3-4 minuti per immagine!

Cosa Significa Tutto Questo? Il Futuro dell’Angiografia

Questi risultati sono davvero promettenti. Avere un sistema automatico che riconosce l’anatomia cardiaca in tempo reale, all’inizio della sequenza angiografica, apre scenari incredibili:

• Selezione automatica dei protocolli: Il sistema potrebbe scegliere autonomamente il “programma d’organo” migliore, ottimizzando la qualità dell’immagine per quella specifica struttura.
• Riduzione della dose di radiazioni: Utilizzando parametri ottimizzati, si può minimizzare l’esposizione sia per il paziente che per lo staff medico.
• Flusso di lavoro più snello: Meno passaggi manuali per l’operatore, che può concentrarsi sugli aspetti clinici.
• Maggiore sicurezza e accuratezza diagnostica: Immagini migliori portano a diagnosi più precise e interventi più sicuri.

Prossimi Passi e Sfide Future

Certo, la strada è ancora lunga. Il nostro modello attualmente non usa informazioni sulla posizione esatta del catetere, che potrebbe aiutare ulteriormente, specialmente per il LV. Inoltre, il nostro dataset, sebbene vario, potrebbe essere ampliato per includere casi ancora più diversi e patologie meno comuni (come i bypass coronarici).

I prossimi passi includono:

• Esplorare architetture AI ancora più avanzate (come i Transformers).
• Sperimentare con metodi di apprendimento non supervisionato.
• Ampliare il dataset.
• Sviluppare un prototipo da testare nel flusso di lavoro clinico reale per valutarne l’impatto pratico.
• Valutare come parametri del paziente (peso, frequenza cardiaca) influenzano la classificazione.

In conclusione, abbiamo dimostrato che è possibile usare il deep learning per classificare l’anatomia cardiaca in angiografia basandosi su immagini pre-contrasto e dati di angolazione, con performance paragonabili a quelle degli esperti umani ma in una frazione del tempo. È un passo entusiasmante verso un’angiografia più intelligente, efficiente e sicura. Non vedo l’ora di vedere dove ci porterà questa tecnologia!

Fonte: Springer