Hjertefasegjenkjenning og insuffisiens påvisning ved bruk av maskin læring på blodstrømsmålinger

Abstract

Transittid blodstrømsmåling (TTFM) er teknikk brukt under koronar bypasskirurgi for å verifisere at blodforsyningen til hjertemuskelen er tilstrekkelig gjenopprettet. For best mulig vurderingsgrunnlag tolkes blodstrømsmålingen sammen med ulike parametere som beskriver flytkurven. Pasientens hjerteaktivitet beregnes ved hjelp av et parallelt elek- trokardiogram (ECG) signal og spiller en viktig rolle for å kvantisere de ulike kompo- nentene i flytmønsteret. All denne informasjonen bidrar til å skape et helhetlig bilde som bistår kirurgene i å identifisere defekter som potensielt kan forårsake komplikasjoner om de ikke blir behandlet. Prosjekt partner Medistim gjennomførte en multisenterstudie for å undersøke den kliniske nytten av kombinert TTFM og høy frekvens ultralyd (HFUS) [20]. TTFM og HFUS data fra 1016 pasienter ble samlet gjennom studien og har muliggjort maskin lærings applikasjonene som har blitt utviklet i dette prosjektet.

Fra før har vi utviklet et nevralt nettverk for EKG uavhengig hjertefasegjenkjenning basert på TTFM data ved å bruke den EKG baserte hjertefase annoteringen som fasit [1]. Valideringsnøyaktigheten til den mest lovende CNN LSTM arkitekturen ble målt til 91.4% og vi identifiserte noen sentrale faktorer som sannsynligvis gjorde at ytelsen til modellen gikk i metning. Dette til tross for at vi økte kompleksiteten til modellen. I dette prosjektet har vi sett på potensielle løsninger på disse problemene og gjort en dypere analyse for å identifisere svakheter og potensielle forbedringer. Med de nye forbedringene estimerer modellen hjertefase mer robust og nøyaktig sammenlignet med den EKG baserte metoden. Det er derimot for tidlig å dra konklusjoner da disse resultatene er basert på et lite datasett hvor alle målinger er fra samme lokasjon på hjertet. I tillegg er de mest støyfulle målingene ikke blitt inkludert i datasettet. Det er derfor uvisst hvordan modellen vil håndtere mer støyfulle målinger og målinger fra andre steder på hjertet.

Den samme modellen ble trent til å gjenkjenne målinger som er relatert til revisjoner ved kun noen få praktiske tilpasninger. Problemstillingen er tolket som et binært klassi- fiseringsproblem hvor datasettet består av henholdsvis 191 og 99 normale og mangelfulle målinger. Målet er å oppdage og varsle kirurgen dersom målingen har indikasjoner på underliggende problemer som potensielt kan løses ved å gjøre en revisjon. Det nevrale nettverket ble målt til en gjennomsnittlig kryssvaliderings nøyaktighet på 91.8%. Tre an- dre beslutningstre-baserte modeller ble brukt til sammenligning ved å bruke 20 egenskaper til å beskrive hver måling. Den beste av beslutningstre modellene var en gradient boosted forest med en gjennomsnittlig kryssvaliderings nøyaktighet på 95.9%. Dette tyder på at arkitekturen til det nevrale nettverket har stort forbedringspotensialet i sammenheng med denne applikasjonen. Med forbehold om ett lite datasett og stor usikkerhet knyttet til tal- lene, viser resultatene at maskin lærings baserte modeller har potensiale til å skille normale fra unormale blodstrømsmålinger med høy nøyaktighet og er muligens ett nyttig tilskudd på operasjonssalen.

Transit Time Flow Measurement (TTFM) is a technique used during cardiac bypass surgery to assess graft patency and verify that sufficient blood flow has been restored to the heart muscle. The TTFM reading is interpreted in conjunction with automatically derived TTFM parameters which describes the flow curve. Some of this data depends on the patient’s cardiac activity which is estimated from a parallel Electrocardiogram (ECG) signal. All this information provides surgeons with better insight and helps un- cover potential defects that might cause complications if left untreated. Project partner Medistim conducted a multi-center study to quantify the clinical value of the combined use of TTFM and High-Frequency Ultra Sound (HFUS) imaging [20]. TTFM and HFUS data from 1016 patients were collected during the study which has powered the machine learning based applications developed in this project.

Earlier we developed a neural network to perform ECG-free heart phase recognition based on TTFM data using the ECG-based annotations as ground truth [1]. The most promising CNN LSTM architecture scored a mean validation accuracy of 91.4% and we identified some key issues that likely caused the performance to saturate despite increas- ing model complexity. In this project, we have addressed these problems and performed a more in-depth analysis to identify weaknesses and potential improvements. The improved model scored a mean validation accuracy of 95.7% and is likely making more robust and accurate heart phase estimations than the ECG-based approach. However, these prelim- inary results are only based on TTFM data from one specific anatomical location. In addition, the noisiest measurements were excluded from the dataset. Hence, it is unclear how the model may generalize with respect to other anatomical locations and noise.

The same model with some minor application-specific modifications was trained to identify measurements related to revisions. This was treated as a binary classification problem using a dataset with 191 and 99 measurements labeled as normal and insufficient respectively. The goal of the classifier is to detect and alert surgeons if a measurement has indications of insufficient graft performance or other problems that may require revision. The neural network scored a mean cross-validation accuracy of 91.7%. Three tree-based classifiers were trained for comparison using 20 high-level features extracted from each of the measurements in the dataset. The gradient boosted forest scored the highest mean cross-validation accuracy of 95.9% suggesting that the neural network architecture may need additional modifications to improve performance. The results show that machine learning based models have the potential to distinguish normal from abnormal flow mea- surements with high accuracy and may prove useful in the operating room. However, this is based on a small dataset and hence there is high uncertainty associated with the results.