Reserva de Flujo Fraccional Coronario Derivada de Imágenes: Avances en Métodos Basados en Física, Aprendizaje...

Área de la Ciencia:

• Imágenes Cardiovasculares
• Inteligencia Artificial Médica
• Fisiología Computacional

Sus antecedentes:

• La reserva de flujo fraccional (FFR) es crucial para evaluar la gravedad de la estenosis de la arteria coronaria.
• La medición convencional de FFR requiere una evaluación invasiva con cable de presión.
• Están surgiendo métodos no invasivos de FFR derivados de imágenes para superar las limitaciones.

Objetivo del estudio:

• Revisar los avances recientes en FFR derivados de imágenes, centrándose en enfoques de aprendizaje automático (ML), aprendizaje profundo (DL) y aprendizaje informado por física (PINNs).
• Discutir los desafíos y consideraciones de la traducción clínica para estas novedosas técnicas de FFR.
• Destacar la convergencia hacia una evaluación de FFR más rápida, automatizada y confiable.

Principales métodos:

• Revisión de la literatura reciente sobre FFR basada en TC y angiografía.
• Énfasis en redes neuronales informadas por física (PINNs) y operadores neuronales (PINOs).
• Discusión de aplicaciones de ML/DL para predecir la presión y la FFR a partir de datos de imágenes.

Principales resultados:

• Los métodos de ML/DL mejoran la automatización y la velocidad para la predicción de FFR.
• El aprendizaje informado por la física mejora la generalización y reduce la dependencia de una supervisión exhaustiva.
• El rendimiento en el mundo real de ML/DL puede ser variable debido a la heterogeneidad de los datos y las diferencias en la adquisición.

Conclusiones:

• El campo avanza hacia una FFR derivada de imágenes más eficiente y confiable.
• Los marcos informados por la física ofrecen un equilibrio entre velocidad y consistencia física.
• La validación multicéntrica y la evaluación estandarizada son esenciales para la adopción clínica.