Flow-based conditional cardiac anatomy generation for virtual cohorts

Stellen Sie sich vor, Sie sind ein Arzt, der versucht, eine neue Herzklappe zu entwerfen. Sie können sie nicht einfach an einer Person testen; Sie müssen wissen, wie sie bei tausenden verschiedenen Menschen funktioniert, von großen Athleten bis hin zu kleineren Senioren, von jungen Erwachsenen bis hin zu älteren Menschen. In der Vergangenheit versuchten Wissenschaftler, einen „digitalen Zwilling“ des Herzens eines Patienten zu erstellen, indem sie dessen tatsächliche MRT-Bilder scannten und diese in ein 3D-Computermodell umwandelten. Aber das ist so, als würde man versuchen, eine Bibliothek aufzubauen, indem man sich von jedem einzelnen Bewohner einer Stadt ein Buch ausleiht: Es ist langsam, teuer und oft unmöglich, weil Datenschutzregeln das Teilen dieser persönlichen Scans verhindern.

Um dieses Problem zu lösen, versuchen Forscher, „virtuelle Kohorten“ zu erstellen – Gruppen von gefälschtem, aber realistischem Herz, die von Computern generiert wurden. Denken Sie an einen Charakter-Editor in einem Videospiel. Sie möchten, dass der Computer ein Herz generiert, das zu einem 60-jährigen Mann mit einem bestimmten Körperbau gehört, oder zu einer 25-jährigen Frau mit einer anderen Statur. Die Herausforderung besteht darin, sicherzustellen, dass diese gefälschten Herzen nicht nur „durchschnittliche“ Klumpen sind. Echte Menschen variieren stark; manche Herzen sind rund, manche lang, manche riesig und manche winzig. Wenn Ihr Computer nur das „durchschnittliche“ Herz erstellt, könnte Ihre neue Klappe beim Durchschnittsmenschen funktionieren, aber bei den Menschen an den Rändern der Kurve versagen. Das Ziel ist es, einen Generator zu erschaffen, der diese Unterschiede versteht und in der Lage ist, eine ganze Menge einzigartiger, realistischer Herzen zu produzieren, die zu spezifischen realen Gruppen passen.

Hier setzt das neue Paper mit dem Titel „Flow-based conditional cardiac anatomy generation for virtual cohorts“ an. Die Forscher, unter der Leitung von Konstantinos Kevopoulos und Mathias Peirlinck, haben ein neues Werkzeug namens CAN-FLOW eingeführt. Sie wollten sehen, ob sie ein Computersystem entwickeln können, das nicht nur ein generisches Herz erstellt, sondern eine ganze Menge von Herzen erschaffen kann, die sich je nach Anfrage verändern: „Gib mir ein Herz für einen 50-jährigen Mann mit einem BMI von 25“ oder „Gib mir eines für eine 80-jährige Frau“.

Um dies zu erreichen, mussten sie den alten Weg besiegen. Vor diesem Ansatz verwendeten die meisten Wissenschaftler eine Methode namens bedingter Variational Autoencoder (cVAE). Man kann sich einen cVAE wie einen Schüler vorstellen, der versucht, ein Lehrbuch auswendig zu lernen. Der Schüler wird gezwert, alle Informationen über verschiedene Herzen in ein einziges, strenges „Notizbuch“ (eine gemeinsame mathematische Regel) zu komprimieren, das für alle gleich aussehen muss. Das Problem ist, dass dieses Notizbuch zu überfüllt wird. Um alles unterzubringen, muss der Schüler die seltsamen, einzigartigen Details glätten. Das Ergebnis ist eine Gruppe generierter Herzen, die zwar okay aussehen, aber alle verdächtig ähnlich wirken, wie eine Klasse von Schülern, die alle denselben Lösungsschlüssel kopiert haben. Sie übersehen die seltenen, aber wichtigen Variationen, die an den Rändern der Population vorkommen.

Die Autoren argumentieren, dass diese alte Methode zu starr ist. Sie schlagen eine neue zweistufige Strategie vor, CAN-FLOW, die eher wie ein Chefkoch und ein Sous-Chef zusammenarbeitet.

1. Schritt eins (Der Chefkoch): Zuerst bringen sie einem Computer bei, echte Herzscans zu betrachten und sie mithilfe einer speziellen Sprache namens „Momenta“ zu beschreiben. Dies ist vergleichbar mit der Übersetzung einer komplexen 3D-Herzform in eine Reihe von Anweisungen, wie man eine Standard-Template-Herzform dehnt und staucht, um sie dem echten Herz anzupassen. Entscheidend ist, dass der Computer in dieser Phase die Identität der Person (Alter, Geschlecht oder Gewicht) ignoriert und sich nur auf die Form konzentriert. Er erstellt eine saubere, einfache Karte der Herzgeometrie.
2. Schritt zwei (Der Sous-Chef): Als Nächstes verwenden sie ein anderes Werkzeug, einen bedingten Normalisierungsfluss (conditional normalizing flow). Dieses Werkzeug betrachtet die Karten aus Schritt eins und lernt die Regeln, wie sich diese Formen basierend auf den Details der Person verändern. Es lernt zum Beispiel, dass sich die Herzform tendenziell in einer bestimmten Weise verschiebt, wenn das Alter steigt, oder dass Männer tendenziell größere Herzen haben als Frauen.

Das Team trainierte dieses System mit 2.208 gesunden Herzen aus der UK Biobank. Sie verglichen ihr neues CAN-FLOW-System mit den alten cVAE-Methoden. Die Ergebnisse legen nahe, dass CAN-FLOW viel besser darin ist, das volle Spektrum der menschlichen Vielfalt zu erfassen.

Als sie sich die mit den alten cVAE-Methoden generierten Herzen ansah, stellten sie fest, dass diese zu einheitlich waren. Es war, als würde der Computer nur das „häufigste“ Herz erstellen und die Ausreißer ignorieren. Im Gegensatz dazu generierte CAN-FLOW Herzen, die ein viel breiteres Spektrum an Größen und Formen abdeckten. Das Paper zeigt, dass CAN-FLOW erfolgreich die „Enden“ der Verteilung rekonstruierte – die seltenen, aber realistischen Herzformen, die die alte Methode übersehen hatte. Zum Beispiel, wenn sie nach Herzen basierend auf spezifischem Alter und Körpergröße fragten, erzeugte CAN-FLOW Gruppen, in denen die Herzen natürlich variierten, genau wie in der realen Welt, während die alte Methode Gruppen produzierte, in denen fast jeder identisch aussah.

Die Forscher maßen dies mit mehreren Tests. Sie überprüften, ob die gefälschten Herzen das richtige Volumen und die richtige Masse hatten, und fanden heraus, dass CAN-FLOW die realen Daten viel genauer traf. Sie untersuchten auch die winzigen Details der Herzoberfläche, Punkt für Punkt. Die alte Methode neigte dazu, Herzen zu erzeugen, die zu glatt und sich untereinander zu ähnlich waren, während CAN-FLOW die einzigartigen Beulen und Kurven bewahrte, die jedes Herz unverwechselbar machen.

Wichtig ist, dass das Paper darauf hindeutet, dass dieser Ansatz ein Wendepunkt für „In-silico“-klinische Studien (computergestützte Studien) sein könnte. Anstatt ein neues Medikament oder Gerät an nur ein oder zwei digitalen Herzen zu testen, könnten Ärzte es an einer virtuellen Menge von 600 verschiedenen Herzen testen, die alle so generiert wurden, dass sie einer spezifischen Demografie entsprechen. Dies würde ihnen helfen zu sehen, ob eine Behandlung beim Durchschnittsmenschen funktioniert und auch bei Menschen mit ungewöhnlichen Herzformen, was die medizinische Testung sicherer und inklusiver macht.

Die Autoren weisen jedoch vorsichtig auf die Grenzen ihrer Arbeit hin. Sie haben dies nur an gesunden Herzen aus einer spezifischen Gruppe von Menschen aus dem Vereinigten Königreich getestet. Sie haben noch nicht bewiesen, dass es bei Herzen mit Krankheiten oder bei Menschen aus anderen Bevölkerungsgruppen funktioniert. Zudem haben sie nur statische Momentaufnahmen des Herzens generiert (wie es aussieht, wenn es mit Blut gefüllt ist), nicht den bewegten Film des schlagenden Herzens. Aber als Beweis für die Machbarkeit deutet das Paper darauf, dass wir durch die Trennung von „Formenlernen“ und „Persönlichkeitslernen“ virtuelle Mengen erschaffen können, die weita viel realistischer und nützlicher sind, als wir es zuvor machen konnten. Es ist ein Schritt in Richtung einer Zukunft, in der wir medizinische Behandlungen an einer vielfältigen Population digitaler Menschen simulieren können, ohne jeden Einzelnen scannen zu müssen.