Autor(es): Farhad Arefinia, Mehrad Aria, Reza Rabiei, Azamossadat Hosseini, Ali Ghaemian, Arash Roshanpoor
Año: 2024
Referencia bibliográfica:
Arefinia, F., Aria, M., Rabiei, R., Hosseini, A., Ghaemian, A., & Roshanpoor, A. (2024). Non-invasive fractional flow reserve estimation using deep learning on intermediate left anterior descending coronary artery lesion angiography images. Scientific Reports, 14, 1818. https://doi.org/10.1038/s41598-024-52360-5
Categoría asignada: Innovación y emprendimiento
Resumen:
El artículo Non-invasive fractional flow reserve estimation using deep learning on intermediate left anterior descending coronary artery lesion angiography images propone un enfoque basado en inteligencia artificial (IA) para la estimación no invasiva de la reserva fraccional de flujo (FFR, por sus siglas en inglés) mediante el uso de imágenes de angiografía. Este estudio se enfoca en mejorar el diagnóstico de la estenosis coronaria en la arteria descendente anterior izquierda (LAD) utilizando un modelo de aprendizaje profundo (deep learning) que clasifica las imágenes en dos categorías: FFR > 80 o FFR ≤ 80, basándose en su severidad fisiológica.
El FFR es un indicador clave para evaluar la gravedad funcional de la estenosis coronaria, pero su uso está limitado debido a la naturaleza invasiva y costosa del procedimiento, que implica el uso de alambres de presión y la inyección de adenosina. Los autores resaltan que, aunque la angiografía es el estándar de oro para evaluar las características anatómicas de la estenosis, no siempre refleja la verdadera severidad fisiológica, lo que puede llevar a decisiones de tratamiento erróneas.
Para abordar esta limitación, los autores desarrollaron un modelo basado en redes neuronales convolucionales (CNN) preentrenadas, utilizando un conjunto de 3625 imágenes de angiografía obtenidas de 41 pacientes. Las imágenes fueron procesadas mediante nueve modelos preentrenados diferentes, entre ellos DenseNet121, InceptionResNetV2, VGG16, ResNet50V2 y Xception. De estos, DenseNet169 mostró el mejor rendimiento, con un área bajo la curva (AUC) de 0.81, precisión de 81%, sensibilidad de 86% y especificidad de 75%.
El modelo propuesto tiene el potencial de mejorar la precisión diagnóstica y reducir la dependencia de procedimientos invasivos como la medición de FFR con alambre de presión. Al integrar características anatómicas y fisiológicas de las imágenes de angiografía, este enfoque no solo facilita la toma de decisiones clínicas más rápidas y precisas, sino que también ofrece una alternativa más económica y accesible, especialmente en laboratorios de cateterismo cardíaco (Cath labs) donde los recursos pueden ser limitados.
El estudio incluyó una cuidadosa preparación y procesamiento de datos. Se realizaron diversas técnicas de preprocesamiento, como la normalización de imágenes, la igualación de histogramas y la mejora del contraste, para asegurar que el modelo pudiera aprender de las características clave de las imágenes sin la necesidad de anotaciones manuales. El uso de redes neuronales profundas, específicamente CNN, permite que el modelo aprenda de manera autónoma a partir de los datos sin la intervención humana, lo que mejora su capacidad para identificar patrones relevantes en las imágenes angiográficas.
Una de las principales ventajas de este modelo es su capacidad para operar de manera no invasiva y en tiempo real, lo que lo convierte en una herramienta valiosa en el entorno clínico. El uso de técnicas de aprendizaje por transferencia (transfer learning) redujo significativamente el tiempo de entrenamiento del modelo y mejoró su rendimiento. Además, la arquitectura DenseNet169 permitió una extracción más eficiente de características clave, superando a otros modelos en precisión y sensibilidad.
Sin embargo, los autores señalan algunas limitaciones importantes. El tamaño relativamente pequeño de la muestra de pacientes (41) podría afectar la generalización de los resultados, por lo que recomiendan validaciones externas con conjuntos de datos más grandes y diversos. También sugieren que, en futuros estudios, se incluyan otros parámetros clínicos, como la edad y el sexo, que podrían influir en la estimación del FFR.
En conclusión, el estudio demuestra que la IA, y específicamente el deep learning, tiene el potencial de revolucionar la evaluación de la estenosis coronaria al ofrecer una solución no invasiva, precisa y económica para la estimación del FFR. Esta tecnología puede integrarse fácilmente en los flujos de trabajo clínicos existentes, mejorando la toma de decisiones en el tratamiento de enfermedades coronarias sin cambiar significativamente los procedimientos actuales en los laboratorios de cateterismo.
