Un algoritmo de aprendizaje sin supervisión para la clasificación automática de lesiones de las arterias coronarias

Área de la Ciencia:

• Imágenes médicas
• La inteligencia artificial en la medicina
• Investigación de las enfermedades cardiovasculares

Sus antecedentes:

• La enfermedad de las arterias coronarias (CAD) es una de las principales causas mundiales de mortalidad.
• La identificación precisa de las lesiones de las arterias coronarias mediante tomografía computarizada es crucial para el tratamiento del paciente.
• Los métodos supervisados actuales para la identificación de lesiones son intensivos en mano de obra y propensos a errores debido a los requisitos de anotación manual.

Objetivo del estudio:

• Desarrollar y evaluar un nuevo método de agrupación sin supervisión para la clasificación y caracterización automáticas de las lesiones de las arterias coronarias a partir de imágenes de TC.
• Abordar las limitaciones de los enfoques supervisados y semisupervisados eliminando la necesidad de anotaciones manuales.
• Proporcionar una herramienta robusta y eficiente para el diagnóstico de lesiones importantes de las arterias coronarias.

Principales métodos:

• Análisis de 45 tomografías computarizadas de las arterias coronarias con lesiones que causan al menos un 30% de estenosis.
• Se utilizó nnU-Net para la segmentación de los vasos, seguido de la esqueletización y la extracción de características (texturas estadísticas y Haralick).
• Análisis del componente principal aplicado para la reducción de dimensionalidad y la agrupación k-media/híbrida para la clasificación de lesiones, validado con la reserva de flujo fraccionado (FFR).

Principales resultados:

• Se obtiene una alta precisión de segmentación del recipiente (coeficiente de dados promedio de 0,93).
• El algoritmo de agrupación híbrido demostró un rendimiento superior: 95,6% de sensibilidad para las placas calcificadas, 88,3% para las mezcladas y 74,1% para las blandas.
• Se identificaron con éxito lesiones hemodinámicamente significativas, confirmadas por mediciones de FFR en 15 lesiones.

Conclusiones:

• El método de agrupación sin supervisión propuesto clasifica efectivamente las lesiones de las arterias coronarias sin anotación manual.
• El método muestra potencial para un enfoque de diagnóstico práctico, preciso y eficiente en entornos clínicos.
• La validación externa en conjuntos de datos más grandes es necesaria para confirmar los hallazgos y facilitar la traducción clínica debido al pequeño tamaño de la muestra y a las lesiones limitadas validadas por FFR.