A Unified DINOv2-Based Framework for LVEF Estimation, GLS Dysfunction Classification, and Early Cardiotoxicity Prediction

Het hart is een onvermoeibare pomp, maar zoals elke machine kan het slijten, vooral wanneer het tegen kanker vecht. Chemotherapiemedicijnen zijn krachtige wapens tegen tumoren, maar ze kunnen soms de hartspier beschadigen, een bijwerking die cardiotoxiciteit wordt genoemd. Het vroegtijdig detecteren van deze schade is een race tegen de klok. Artsen vertrouwen momenteel op twee belangrijke manieren om de gezondheid van het hart te controleren. De eerste is een maatstaf voor hoeveel bloed het hart met elke slag naar buiten pompt, een standaardmeting die het grote plaatje weergeeft. De tweede is een gevoeliger instrument dat de subtiele rek en krimp van de hartspier zelf volgt, wat vaak problemen onthult voordat het grote plaatje tekenen van belasting vertoont. De uitdaging ligt in het feit dat deze signalen verborgen zitten in complexe, bewegende beelden van het hart, en het opsporen van de vroegste waarschuwingssignalen vereist vaak een menselijke expert om handmatig de grenzen van het hart te traceren en de hartslagen te tellen, een proces dat traag is en gevoelig voor menselijke fouten.

Een team onderzoekers bij GE HealthCare heeft een nieuw computersysteem ontwikkeld dat ontworpen is om deze hartvideo's met meer snelheid en nauwkeurigheid te lezen, met als doel problemen te ontdekken voordat ze onomkeerbaar worden. In plaats van een computer vanaf nul te leren begrijpen hoe hartbeelden werken, hebben ze hun systeem gebouwd op een massief, vooraf getraind "fundament"-model. Denk bij dit fundament-model aan een student die al miljoenen algemene afbeeldingen heeft bestudeerd en heeft geleerd om vormen, texturen en patronen te herkennen. De onderzoekers hebben deze student vervolgens een gespecialiseerde cursus over hartvideo's gegeven, waarbij de student leerde zich te concentreren op de specifieke details die nodig zijn om de hartfunctie te meten en schade door medicijnen te voorspellen. Deze aanpak stelde het systeem in staat om snel en nauwkeurig te leren, zelfs met een relatief klein aantal patiëntenvideo's beschikbaar voor training.

De onderzoekers testten hun systeem op drie verschillende taken met een grote collectie hartechografievideo's van patiënten uit heel Europa. De eerste taak was het berekenen van het percentage bloed dat het hart rondpompt, een kritiek getal voor het diagnosticeren van hartfalen. De tweede taak was het classificeren of de hartspier tekenen van dysfunctie vertoonde op basis van de rekpatronen. De derde, en misschien wel de moeilijkste taak, was het voorspellen welke patiënten hartschade door chemotherapie zouden ontwikkelen nog voordat zij de behandeling begonnen, gebruikmakend van enkel hun basis hartscans. Om deze verschillende doelen te bereiken, gebruikte het systeem een slimme strategie waarbij de kernkennis bevroren bleef, maar er kleine, flexibele "adapters" werden toegevoegd voor elke specifieijke taak. Dit betekende dat het systeem de unieke visuele aanwijzingen voor pompvolume kon leren zonder deze te verwarren met de aanwijzingen voor hartrek, wat ervoor zorgde dat elke taak met hoge precisie werd uitgevoerd.

Een belangrijke innovatie in dit werk was hoe het systeem de timing van de hartslag afhandelde. Bij een traditionele aanpak zou een computer precies verteld moeten worden wanneer het hart volledig ontspannen is en wanneer het volledig samengeperst is om een meting te maken. Dit nieuwe systeem leerde echter het ritme van het hart uit zichzelf te begrijpen. Het kon de noodzakelijke timinginformatie rechtstreeks afleiden uit de visuele inhoud van de video, zonder dat er externe labels of handmatige markeringen nodig waren om aan te geven waar het begin en het einde van een hartslag lagen. Dit maakte het systeem veel robuuster en praktischer voor gebruik in de echte wereld, waar dergelijke precieze handmatige labels vaak ontbreken. Voor de specifieke taak van het meten van het pompvolume creëerde het team ook een apart, gespecialiseerd model dat de volledige videomotie combineerde met een gerichte blik op de meest kritieke momenten van ontspanning en contractie van het hart, waarbij het nabootsen van hoe een menselijke arts mentaal de staat van het hart op verschillende momenten met elkaar vergelijkt.

De resultaten van het onderzoek toonden aan dat deze nieuwe aanpak opmerkelijk goed werkte. Voor het meten van het pompvolume behaalde het systeem een gemiddelde fout van net boven de vijf procent, en het gespecialiseerde model verbeterde dit tot onder de vijf procent, een nauwkeurigheidsniveau dat wedijvert met menselijke experts. Wanneer het ging om het detecteren van subtiele hartdysfunctie, identificeerde het systeem het probleem in bijna 77 procent van de gevallen correct. Het meest opmerkelijk was dat voor het voorspellen van vroege hartschade door chemotherapie, het vermogen van het systeem om risicopatiënten op te sporen aanzienlijk verbeterde; het rangschikte patiënten op risico in meer dan 70 procent van de gevallen, een substantiële sprong ten opzichte van eerdere methoden. Deze bevindingen suggereren dat door gebruik te maken van krachtige vooraf getrainde visuele kennis en deze zorgvuldig aan te passen aan medische behoeften, computers krachtige bondgenoten kunnen worden bij het beschermen van kankerpatiënten tegen hartschade, wat een manier biedt om vroegtijdig in te grijpen en potentieel levens te redden.