Desarrollo de un modelo predictivo de revascularización de oclusiones totales crónicas basado en imágenes de angiografía y métodos de aprendizaje profundo

Abstract

[ES] La revascularización percutánea de las oclusiones totales crónicas (CTO) es uno de los procedimientos más complejos actualmente en el intervencionismo coronario percutáneo (ICP), que requiere la utilización de dispositivos específicos y una alta experiencia para la obtención de buenos resultados.

Una vez establecida la indicación clínica por isquemia extensa o ángor no controlado con tratamiento médico la decisión de la realización del intervencionismo coronario no es sencilla ya que este procedimiento presenta una mayor tasa de complicaciones que el intervencionismo percutáneo no-CTO, mayor exposición a radiaciones ionizantes y una menor tasa de éxito. Sin embargo, la revascularización de CTO ha demostrado ser útil en la mejoría sintomática del ángor, reducción de la carga isquémica o mejoría de la fracción de eyección.

Las técnicas de aprendizaje profundo o ¿deep-learning¿ permiten el análisis de grandes cantidades de datos multiformato (características clínicas, imagen, video, volumen) y realizar enfoques predictivos y de clasificación que han demostrado buenos resultados en múltiples aplicaciones clínicas.

La finalidad de este Trabajo Fin de Grado es determinar si un modelo desarrollado con técnicas de aprendizaje profundo, entrenado con imágenes de angiografía, permite predecir mejor la dificultad de revascularización de CTO (medida como éxito del procedimiento y tiempo de fluoroscopia) que las escalas utilizadas tradicionalmente.

Como aproximación preliminar se incluirán pacientes con CTO de arteria coronaria derecha ya que presentan proyecciones angiográficas estándar que se realizan en todos los pacientes y presentan menor variabilidad técnica (duración, ángulo de proyección, similitud de imágenes) entre ellas.

El objetivo último es el desarrollo de un modelo predictivo que permita ayudar al clínico en la decisión de intervención y analizar el rendimiento en cuanto a predicción de éxito de la técnica de revascularización de oclusiones crónicas.

Durante el desarrollo del presente Trabajo Fin de Grado se propondrán diferentes arquitecturas y parámetros para la optimización de la red neuronal a utilizar. Para ello se plantean diferentes arquitecturas en las cuales se experimentará con parámetros de red como el número de capas y la función de pérdidas entre otros. La evaluación de las distintas iteraciones de parámetros se realizará mediante métricas como la exactitud, la sensibilidad y las pérdidas del conjunto de entrenamiento y validación. Finalmente se evaluará la red con un conjunto de test con imágenes nunca vistas por la red.

[EN] Percutaneous revascularization of chronic total occlusions (CTO) is currently one of the most complex procedures in percutaneous coronary intervention (PCI), requiring the use of specific devices and a high level of experience to obtain good results.

Once the clinical indication for extensive ischemia or angina uncontrolled with medical treatment has been established, the decision to perform coronary intervention is not simple, since this procedure has a higher rate of complications than non-PCI percutaneous intervention, greater exposure to ionizing radiation and a lower success rate. However, CTO revascularization has been shown to be useful in symptomatic improvement of angina, reduction of ischemic burden or improvement of ejection fraction.

Deep learning techniques allow the analysis of large amounts of multi-format data (clinical features, image, video, volume) and perform predictive and classification approaches that have shown good results in multiple clinical applications.

The purpose of this Final Degree Project is to determine whether a model developed with deep learning techniques, trained with angiography images, can better predict the difficulty of CTO revascularization (measured as procedure success and fluoroscopy time) than the scales traditionally used.

As a preliminary approach, patients with right coronary artery CTO will be included since they present standard angiographic projections that are performed in all patients and present less technical variability (duration, projection angle, image similarity) among them.

The ultimate objective is to develop a predictive model to help the clinician in the decision to intervene and to analyze the performance in terms of predicting the success of the technique for revascularization of chronic occlusions.

During the development of this Final Degree Project, different architectures and parameters will be proposed for the optimization of the neural network to be used. For this purpose, different architectures will be proposed in which we will experiment with network parameters such as the number of layers and the loss function, among others. The evaluation of the different parameter iterations will be performed using metrics such as accuracy, sensitivity and losses of the training and validation set. Finally, the network will be evaluated with a test set with images never seen by the network.

[CA] La revascularització percutània de les oclusions totals cròniques (OTC) és un dels procediments més complexos actualment en l'intervencionisme coronari percutani (ICP), que requereix la utilització de dispositius específics i una alta experiència per a l'obtenció de bons resultats. Una vegada establida la indicació clínica per isquèmia extensa o àngor no controlat amb tractament mèdic la decisió de la realització de l'intervencionisme coronari no és senzilla ja que aquest procediment presenta una major taxa de complicacions que l'intervencionisme percutani no-OTC, major exposició a radiacions ionitzants i una menor taxa d'èxit. No obstant això, la revascularització de OTC ha demostrat ser útil en la millora simptomàtica del àngor, reducció de la càrrega isquèmica o millora de la fracció d'ejecció. Les tècniques d'aprenentatge profund o “deep-learning” permeten l'anàlisi de grans quantitats de dades multi format (característiques clíniques, imatge, vídeo, volum) i realitzar enfocaments predictius i de classificació que han demostrat bons resultats en múltiples aplicacions clíniques. La finalitat d'aquest Treball Fi de Grau és determinar si un model desenvolupat amb tècniques d'aprenentatge profund, entrenat amb imatges de angiografia, permet predir millor la dificultat de revascularització de OTC (mesura com a èxit del procediment i temps de fluoroscòpia) que les escales utilitzades tradicionalment. Com a aproximació preliminar s'inclouran pacients amb OTC d'artèria coronària dreta ja que presenten projeccions angiogràfiques estàndard que es realitzen en tots els pacients i presenten menor variabilitat tècnica (duració, angle de projecció, similitud d'imatges) entre elles. L'objectiu últim és el desenvolupament d'un model predictiu que permeta ajudar al clínic en la decisió d'intervenció i analitzar el rendiment quant a predicció d'èxit de la tècnica de revascularització d'oclusions cròniques. Durant el desenvolupament del present Treball Fi de Grau es proposaran diferents arquitectures i paràmetres per a l'optimització de la xarxa neuronal a utilitzar. Per a això es plantegen diferents arquitectures en les quals s'experimentarà amb paràmetres de xarxa com el nombre de capes i la funció de pèrdues entre altres. L'avaluació de les diferents iteracions de paràmetres es realitzarà mitjançant mètriques com l'exactitud, la sensibilitat i les pèrdues del conjunt d'entrenament i validació. Finalment s'avaluarà la xarxa amb un conjunt de test amb imatges mai vistes per la xarxa.