Een onderzoeksteam van Helmholtz München, de Technische Universiteit München (TUM) en het academisch ziekenhuis TUM heeft een AI-tool ontwikkeld, DeepNeo genaamd, waarmee het analyseproces van coronaire stents na implantatie geautomatiseerd kan worden. Het AI-gestuurde algoritme zorgt voor een aanzienlijke verkorting van de beoordelingstijd en evenaart de expertise van medische experts.
Elk jaar worden wereldwijd meer dan 3 miljoen mensen behandeld met stents om verstopte bloedvaten veroorzaakt door hartaandoeningen te openen door dotteren of het plaatsen van stents. Het volgen van het genezingsproces na de implantatie van stents is echter nog altijd een uitdaging. Wanneer het weefsel dat over de stent groeit zich onregelmatig ontwikkelt - te dik wordt of afzettingen vormt - kan dit leiden tot complicaties, zoals een nieuwe vernauwing of afsluiting van het bloedvat. Op dit moment is het analyseren van deze genezingspatronen in intravasculaire optische coherentie tomografie (OCT) beelden tijdrovend en onpraktisch voor de routinematige klinische praktijk.
Genezing beoordelen met AI-tool
Een onderzoeksteam van Helmholtz München en het academisch ziekenhuis TUM ontwikkelde de AI-tool DeepNeo. Hiermee is het mogelijk de genezing van stents aan de hand van OCT-beelden te beoordelen. DeepNeo maakt onderscheid tussen verschillende genezingspatronen met een nauwkeurigheid die vergelijkbaar is met die van klinische experts, maar dan in een fractie van de tijd. De AI-tool levert ook precieze metingen, bijvoorbeeld met betrekking tot weefseldikte en stentbedekking, wat waardevolle inzichten biedt voor het verloop van het herstel en eventuele vervolgacties voor de behandeling ervan.
"Met DeepNeo kunnen we een geautomatiseerde, gestandaardiseerde en zeer nauwkeurige analyse van stent- en vaatgenezing uitvoeren die voorheen alleen mogelijk was met uitgebreide handmatige inspanningen. DeepNeo is net zo goed als een arts, maar veel sneller", aldus onderzoeker Valentin Koch. Het onderzoek is gepubliceerd in Communications Medicine.
AI-model training
Om DeepNeo te trainen, gebruikten de onderzoekers 1.148 OCT-beelden van 92 patiëntenscans, handmatig geannoteerd om verschillende soorten weefselgroei te classificeren. Vervolgens testten ze het AI-algoritme in een diermodel, waar het in 87 procent van de gevallen ongezond weefsel correct identificeerde in vergelijking met gedetailleerde laboratoriumanalyses, de huidige gouden standaard. Bij het analyseren van menselijke scans liet DeepNeo ook een hoge nauwkeurigheid zien, die nauw aansloot bij de beoordelingen van experts.
"DeepNeo laat zien hoe machine learning clinici kan ondersteunen bij het nemen van snellere, beter geïnformeerde behandelbeslissingen. De volgende stap is nu om AI-algoritmen zoals DeepNeo effectief te integreren in de klinische praktijk," legt Dr. Carsten Marr uit, directeur van het Institute of AI for Health bij Helmholtz München.
Zijn collega prof. Julia Schnabel, die het Institute of Machine Learning in Biomedical Imaging leidt en hoogleraar is in Computational Imaging en AI in Medicine aan de TUM, ziet DeepNeo als onderdeel van een AI-aangedreven gezondheidszorgsysteem dat ongekende zekerheid zou kunnen bieden voor klinische besluitvorming.
Grant en patentaanvraag
Het project heeft een Helmholtz Innovation Grant ontvangen en er is een patentaanvraag ingediend. Ascenion, partner in technologieoverdracht in de biowetenschappen, ondersteunt het DeepNeo-team bij het identificeren van potentiële partners in de industrie.
"DeepNeo vereenvoudigt en standaardiseert de beoordeling van OCT-beeldvorming na stentimplantatie en verbetert zo de klinische besluitvorming. Dit heeft het potentieel om niet alleen de kosten van de gezondheidszorg te verlagen, maar ook de weg vrij te maken voor effectievere en gepersonaliseerde cardiovasculaire behandelingen”, vertellen PD Dr. med. Philipp Nicol en Prof. Dr. med. Michael Joner, cardiologen aan het TUM University Hospital, die de leiding hadden over de klinische kant van het project.
AI-toepassingen voor betere hartzorg
Steeds vaker worden AI-modellen en -tools ingezet voor het verbeteren van de hartzorg zo berichtten wij enkele maanden geleden over een nieuw AI-model dat elektrocardiogrammen (ECG's) analyseert om vrouwen met een verhoogd risico op hart- en vaatziekten te identificeren. Dat model vergelijkt individuele ECG's met typische mannelijke en vrouwelijke patronen en berekent een risicoscore per geslacht. Vrouwen wiens ECG's meer overeenkomen met het mannelijke patroon, zoals grotere elektrische signalen, vertonen vaak grotere hartkamers en meer spiermassa. Deze vrouwen hebben een significant hoger risico op hartfalen, hartaanvallen en andere cardiovasculaire aandoeningen. Het AI-model biedt artsen een nauwkeuriger en sneller hulpmiddel voor vroege risicoschatting, wat kan bijdragen aan betere preventie en behandeling van hartziekten bij vrouwen.
Een jaar geleden ontwikkelden onderzoekers van UVA Health een AI-gestuurde risicobeoordelingstool voor patiënten met hartfalen. Deze tool maakt gebruik van machine learning en hemodynamische klinische data om per patiënt het risico op ongunstige uitkomsten, zoals ziekenhuisopname, operatie of overlijden, te voorspellen. Het model werd getraind op geanonimiseerde gegevens van duizenden patiënten en overtreft bestaande methoden in nauwkeurigheid. Het biedt artsen een overzicht van risicofactoren, zelfs bij ontbrekende of tegenstrijdige informatie, waardoor snellere en beter geïnformeerde behandelbeslissingen mogelijk zijn.
