Kardiovaskularne bolesti su među glavnim uzrocima smrti širom sveta, a srčane intervencije su takođe veoma česte. Na primer, procedure ablacije srčanog katetera, koje se koriste za lečenje aritmija, broje se u nekoliko desetina hiljada godišnje samo u SAD. U ovim procedurama, hirurzi ubacuju tanku, fleksibilnu cev nazvanu kateter u femoralnu venu na nozi i kreću se do srca, gde se problematično tkivo uništava pomoću hladnog ili fokusiranog zračenja.
Iako se procedure zasnovane na srčanom kateteru smatraju minimalno invazivnim, položaj vrha katetera mora se pažljivo pratiti i kontrolisati kako bi se sprečilo oštećenje srca. U većini slučajeva, hirurzi se oslanjaju na fluoroskopiju za lokalizaciju i vođenje vrha katetera. Međutim, ovaj pristup izlaže i pacijenta i medicinsko osoblje jonizujućem zračenju, što može dovesti do problema kao što je povećan rizik od raka ili urođenih mana.
Alternativna metoda za vođenje srčanih katetera uključuje fotoakustično snimanje. U ovom pristupu, kratki laserski impulsi se isporučuju pomoću optičkog vlakna pričvršćenog za kateter, dok specijalni pretvarač signala preuzima ultrazvučne talase koji se generišu u srcu.
Fotoakustične slike generisane na ovaj način mogu se koristiti za vođenje robotskih ruku koje manipulišu srčanim kateterom kako bi se poboljšala preciznost i minimizirali rizici. Međutim, algoritmi koji se koriste za automatsko otkrivanje fotoakustičnih izvora na ovim slikama, koji se nalaze blizu vrha katetera, podložni su greškama kao što su artefakti refleksije.
Istraživački tim predvođen Muiinatuom A. Lediju Bellom, vanrednim profesorom John C. Malone na Vhiting školi inženjeringa na Univerzitetu Johns Hopkins, SAD, radi na rješavanju ovog problema. Kao što je objavljeno u novoj studiji objavljenoj u Journal of Biomedical Optics, oni su razvili novi pristup za lokalizaciju srčanog katetera putem fotoakustičnog snimanja koristeći mašinsko učenje.
Istraživači su predložili korišćenje duboke konvolucione neuronske mreže (CNN) da bi se precizno odredio položaj vrhova srčanog katetera na fotoakustičnim slikama. Međutim, duboke neuronske mreže treba da budu obučene na veoma velikim skupovima podataka da bi ispravno radile, što bi zahtevalo sate ručnog sticanja slike i beleženja. Da bi zaobišao ovaj problem, tim se okrenuo simuliranim podacima.
„Obučili smo mrežu sa simuliranim okvirima podataka kanala koje smo formatirali da bi se prilagodili vidnom polju fotoakustičnog pretvarača, uključujući više nivoa buke, amplitude signala i brzine zvuka, kako bismo osigurali otpornost na šum kanala, ciljnu amplitudu i razlike u brzini zvuka “, rekao je Bell. Da bi CNN bio robusniji, skup podataka za obuku je takođe uključivao simulirane slike sa artefaktima.
Istraživači su uveli dodatni korak obrade koji se zove „podudaranje histograma“ kako bi dodatno poboljšali performanse modela. Ovde su automatski modifikovali dobijene slike tako da su izgledale slično simuliranim slikama koje se koriste za obuku CNN-a.
Kroz ek vivo i in vivo eksperimente na izrezanim svinjskim srcima i živim svinjama, tim je pokazao impresivne performanse svog pristupa zasnovanog na dubokom učenju. Pozicione greške za vrh katetera bile su izuzetno male; većina njih je bila čak i manja od rezolucije fotoakustičnog pretvarača signala. Mreža je postigla euklidske greške od 1,02 ± 0,84 mm za ciljne dubine od 20–100 mm. Štaviše, pokazao je odlične metrike performansi, sa preciznošću, opozivom i F1 rezultatima čak 100%.
„Naši rezultati pokazuju potencijal predloženog metoda za identifikaciju fotoakustičkih izvora u budućim aplikacijama interventne kardiologije i elektrofiziologije srca, sa širim potencijalom da zameni fluoroskopiju tokom ovih procedura“, rekao je Bell.
Sve u svemu, ova studija može otvoriti put sigurnijim srčanim intervencijama koje zahtevaju katetere, pomažući lekarima i pacijentima u borbi protiv srčanih bolesti.
