VISION-ICE: Video-based Interpretation and Spatial Identification of Arrhythmia Origins via Neural Networks in Intracardiac Echocardiography

Dit artikel presenteert VISION-ICE, een AI-framework dat diep leernetwerken toepast op intracardiale echocardiografie-video's om de oorsprong van hartritmestoornissen automatisch te lokaliseren, wat de procedurele efficiëntie kan verbeteren ondanks een huidige nauwkeurigheid van 66,2% die verder moet worden geoptimaliseerd.

De kern

Titel: VISION-ICE: De slimme camera die het hart op zijn kop zet

Stel je voor dat je hart een drukke stad is. Soms raakt deze stad in de war: de verkeerslichten (de elektrische signalen) gaan niet op de juiste manier branden, wat leidt tot een ritmestoornis (een aritmie). Om dit op te lossen, moeten artsen weten waar in de stad de storing zit, zodat ze die plek kunnen repareren.

Vroeger was dit zoeken naar de storing als het zoeken naar een naald in een hooiberg, waarbij artsen urenlang moesten kijken en meten. Dit onderzoek, genaamd VISION-ICE, introduceert een nieuwe manier om dit sneller en slimmer te doen, met behulp van een slimme computer (kunstmatige intelligentie).

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De Camera in het Hart (ICE)

Normaal gesproken kijken artsen naar het hart van buitenaf (zoals door een raam). Maar voor deze specifieke operaties gebruiken ze een heel speciale camera die ze in het hart steken. Dit heet ICE (Intracardiale Echografie).

• De analogie: Stel je voor dat je in plaats van naar een stad te kijken vanaf een heuvel, je een drone in de stad zelf laat vliegen. Je ziet de straten, de gebouwen en de mensen van binnen heel scherp. Deze drone maakt video's van binnenin het hart.

2. Het Probleem: Te veel video, te weinig tijd

De drone maakt duizenden beelden per minuut. Een arts moet al die beelden bekijken om te zien of de storing links of rechts in het hart zit, of dat alles normaal is. Dat is vermoeiend en kost veel tijd.

• De oplossing: De onderzoekers hebben een computerprogramma (een 'neuraal netwerk') getraind om deze video's te kijken en te begrijpen, net zoals een mens dat zou doen, maar dan in een flits.

3. De 'Scheidsrechter' van het Hart

Het doel van de computer is simpel: hij moet een video van het hart bekijken en zeggen:

1. Alles normaal: De verkeerslichten werken goed (Sinusritme).
2. Storing links: Er is een probleem aan de linkerkant van de stad.
3. Storing rechts: Er is een probleem aan de rechterkant van de stad.

Dit noemen ze een "drie-kleurenverkeerslicht" systeem. De computer moet de video's indelen in deze drie bakken.

4. Hoe heeft de computer dit geleerd?

De onderzoekers hebben de computer niet zomaar losgelaten. Ze hebben hem getraind met video's van 39 echte patiënten.

• De training: Ze hebben de computer duizenden keren laten kijken naar filmpjes van het hart, waarbij ze hem telkens vertelden: "Kijk, hier is een normaal ritme" of "Kijk, hier is een storing links".
• De truc: Omdat ze niet genoeg filmpjes hadden, lieten ze de computer ook "kijken" naar versnelde, donkerdere of lichte versies van dezelfde filmpjes. Dit heet data-augmentatie. Het is alsof je een kind leert een hond te herkennen door hem niet alleen foto's van bruine honden te laten zien, maar ook van zwarte honden, honden in de sneeuw en honden die rennen. Zo wordt de computer slimmer.

5. De Resultaten: Een slimme assistent

Toen ze de computer testten op nieuwe patiënten (die hij nog nooit had gezien), had hij het goed in 66% van de gevallen.

• Waarom is dit goed? Als je willekeurig zou raden (zoals een muntje opgooien), zou je maar 33% goed hebben (want er zijn 3 opties). De computer doet dus twee keer zo goed als pure geluk!
• De 'X-ray' van de gedachten: Om te bewijzen dat de computer echt kijkt naar het hart en niet naar ruis, hebben ze een techniek gebruikt (Grad-CAM). Dit maakt een 'warmtekaart' over de video.
  • De analogie: Het is alsof de computer met een rode stift omcirkelt: "Hier, bij deze wand van het hart, zag ik iets vreemds." Dit geeft de artsen vertrouwen dat de computer echt begrijpt wat hij ziet.

6. Waarom is dit belangrijk voor de toekomst?

Op dit moment moeten artsen veel tijd besteden aan het zoeken naar de storing, wat de operatie langer en duurder maakt.

• De droom: Met dit systeem krijgt de arts direct een hint: "Kijk eens naar de linkerkant, daar zit de storing."
• Het resultaat: De operatie wordt sneller, de patiënt hoeft minder lang op de tafel te liggen, en de arts kan zich focussen op het repareren in plaats van het zoeken.

Kortom:
Dit onderzoek toont aan dat we een slimme computer kunnen leren om naar video's van binnenin het hart te kijken en te zeggen waar de elektrische storing zit. Het is niet bedoeld om de arts te vervangen, maar om hem of haar te helpen als een super-snelle en slimme assistent, zodat patiënten sneller en veiliger geholpen kunnen worden.

Technische samenvatting

Probleemstelling

De lokale bepaling van de oorsprong van hartritmestoornissen (aritmieën) is een fundamentele uitdaging in de elektrofysiologie. Huidige methoden, zoals hoog-resolutie mapping en pre-operatieve CT/MRI-scans, zijn tijdrovend, resource-intensief en vereisen vaak uitgebreide operator-ervaring. Hoewel kunstmatige intelligentie (AI) succesvol is ingezet voor transthoracale en transesofageale echocardiografie, blijft onderzoek naar intracardiale echocardiografie (ICE) beperkt. ICE is een invasieve techniek die standaard wordt gebruikt tijdens ablatieprocedures om hoge resolutie beelden van binnen het hart te leveren, maar er ontbreekt een gestructureerde AI-aanpak om deze video-data direct te gebruiken voor het lokaliseren van de bron van aritmieën. Dit leidt tot een gemiste kans om procedures te versnellen en de nauwkeurigheid te verhogen.

Methodologie

1. Dataset en Data-Verzameling

• Bron: Data is verzameld van 39 patiënten die electief elektrofysiologische studies ondergingen in het Baylor St. Luke's Hospital.
• Opname: Er werden ICE-video's opgenomen met een Soundstar katheter en een GE Vivid S70 machine.
• Protocol: Er werden vier standaard beelden vastgelegd: crista terminalis (CT), left pulmonary veins (LPV), mitral valve (MV) en tricuspid valve (TV).
• Stimulatie: Na basisopnames werd gepaced vanuit het distale (elektroden 1-2) en proximale (elektroden 9-10 of 7-8) deel van de coronaire sinus om gecontroleerde aritmieën op te wekken.
• Data-aantallen: In totaal werden duizenden hartslagen verzameld (zie Tabel I in het paper), waarbij elke hartslag als een individueel sample werd behandeld.

2. Preprocessing

• Maskering: Irrelevante achtergrondgebieden werden verwijderd om alleen het gebied van interesse (ROI) over te houden.
• Normalisatie: Pixelintensiteiten werden genormaliseerd naar het bereik [0, 1].
• Temporele segmentatie: Op basis van ECG-annotaties werden de opnames opgesplitst in individuele hartslagen.
• Resizing en Padding: De ruimtelijke afmetingen werden gecropt naar 553x756 pixels. Voor temporele consistentie werden alle sequenties gestandaardiseerd naar 32 frames (langer werd afgeknipt, korter werd opgevuld met het laatste frame).
• Data Augmentatie: Om data-schaarste te mitigeren, werden alleen op de trainingsset augmentaties toegepast: willekeurige helderheids- en contrastaanpassingen, het weglaten van frames en het toevoegen van witte Gaussisch ruis.

3. Model Architectuur

• Taak: Een drie-klassen classificatieprobleem:
  1. Normale Sinus Ritme (NSR)
  2. Distale coronaire sinus pacing (DIST)
  3. Proximale coronaire sinus pacing (PROX)
• Architectuur: Een 3D Convolutional Neural Network (3D-CNN) gebaseerd op een voorgeöpleide ResNet-18 backbone (torchvision r3d_18).
  • De invoer is een grijschakeringsvideo tensor van formaat $(1, 32, H, W)$.
  • Een aangepaste "adapter" (3D convolutie met kernel $9 \times 7 \times 7$) mapt de invoer naar 64 kanalen.
  • Het model bevat dropout-lagen en een volledig verbonden laag voor de drie klassen.
• Training: Getraind met de AdamW optimizer, class-weighted cross-entropy loss, en mixed precision (AMP). Er werd gebruikgemaakt van 10-voudige kruisvalidatie (10-fold cross-validation) op patiëntniveau om data-lekage te voorkomen.

4. Evaluatie Strategie
De evaluatie vond plaats op drie hiërarchische niveaus:

1. Sample-level: Voorspelling per individuele hartslag.
2. Clip-level: Aggregatie van alle hartslagen binnen één video-clip via meerderheidsstemming (majority voting).
3. Patient-level: Fusie van voorspellingen over alle vier de anatomische beelden (TV, MV, LPV, CT) per patiënt, opnieuw via meerderheidsstemming.

Belangrijkste Resultaten

• Algemene Prestatie: Het model bereikte een gemiddelde nauwkeurigheid van 66,2% op de testset (vier onbekende patiënten per fold) bij de patiënt-niveau evaluatie. Dit is een significante verbetering ten opzichte van de willekeurige baseline van 33,3%.
• View-specifieke prestaties: De nauwkeurigheid varieerde per anatomisch beeld. De Mitral Valve (MV) beelden leverden doorgaans de beste resultaten op (gemiddeld ~77% validatie, ~65% test), terwijl Crista Terminalis (CT) beelden iets lagere scores lieten zien.
• Interpretatie: De toepassing van 3D Grad-CAM toonde aan dat het model zich richtte op klinisch relevante structuren zoals het interatriale septum, de mitrale annulus en de crista terminalis. Dit bevestigt dat het model fysiologische patronen leert in plaats van artefacten.
• Variabiliteit: Er was sprake van variatie tussen de verschillende folds, wat wijst op de uitdagingen van kleine datasets met hoge inter-patiënt variabiliteit.

Kernbijdragen

1. Eerste AI-aanpak voor ICE: Dit is het eerste machine learning-framework dat specifiek is ontworpen voor het lokaliseren van aritmie-bronnen uitsluitend op basis van ICE-video-data.
2. Gecurateerde Dataset: Het paper introduceert een zorgvuldig samengestelde en geannoteerde dataset van 39 patiënten, een waardevol resource voor toekomstig onderzoek in ICE-gebaseerde elektrofysiologie.
3. Aanpassing van Deep Learning: Het toont aan hoe gespecialiseerde 3D-CNN-architecturen kunnen worden aangepast aan de unieke spatiotemporele kenmerken van ICE-video's om ablatieprocedures te optimaliseren.

Significantie en Toekomstperspectief

De studie demonstreert de haalbaarheid van het gebruik van AI voor automatische, real-time lokaliseren van aritmieën tijdens invasieve procedures.

• Klinische Impact: Een dergelijk systeem kan artsen ondersteunen bij het sneller en nauwkeuriger identificeren van de bron van aritmieën, wat leidt tot kortere procedures, minder blootstelling aan straling (als alternatief voor fluoroscopie) en betere uitkomsten voor patiënten.
• Toekomstig Werk: De auteurs plannen om de dataset uit te breiden om de robuustheid en generaliseerbaarheid te verbeteren, alternatieve architecturen (zoals Swin3D Transformers) te onderzoeken, en domeinadaptatie tussen verschillende echocardiografische modaliteiten te integreren.

Samenvattend biedt VISION-ICE een veelbelovende stap richting AI-gestuurde elektrofysiologie, waarbij diepe leermodellen de interpretatie van complexe intracardiale beelden automatiseren en objectiveren.